優(yōu)投資組合選擇ppt課件-在線瀏覽
2025-06-23 00:49本頁面
【正文】 2 2 2 21 iNp p M ii X ?? ? ? ???? ?當投資組合分散時，第二項會減小，分散好的投資組合，該項接近 0，其收益的方差近似為： 2 2 2p p M? ? ??因此，對于分散好的投資組合，就是要最小化 p? 計算最優(yōu)投資組合權(quán)重 計算出股票期望收益和風(fēng)險水平后，就可以用 PROC LP來找出在最大可接受風(fēng)險的前提下收益最大的投資組合權(quán)。x:A x biixu???i最 大 化條 件其 中 :l其中： A是一個 的系數(shù)陣（ rhs）。 c是一個 的價格系數(shù)向量 . x是一個 的結(jié)構(gòu)變量向量． 是 的一個下界。 是 的一個上界。 ?1 2 81 . 1 8 5 1 . 3 4 7 1 . 2 9 6 1 . 2x x x? ? ? ? ? ? ?權(quán)重和為 l： 1 2 8 1x x x? ? ? ?. 投資組合權(quán)重的上界是 1。 data weight1。 cards。 run。 proc lp data=weight2 primalin=lp_out2 rangeprice rangerhs。靈敏度分析 39。 quit。 下面考察允許投資組合 小于等于 況。 set weight2。beta39。le39。 proc lp data=weight3 primalout=lp_out3。 quit。 /* 創(chuàng)建價格數(shù)據(jù)集 price */ data price。 by stkcd。30dec202239。 keep stkcd clpr。 data weight4。 cards。 /* 求解整數(shù)規(guī)劃 */ proc lp data=weight4 imaxit=200 primalout=lp_out4 dualout=d_out。 /*整理求解輸出數(shù)據(jù)集 */ data lp_out4a(keep= _var_ _value_ rename=_var_=name)。 if _n_ 8 then delete。 /* 打印主要解，列出每只股票應(yīng)購買的手數(shù) */ proc print data=lp_out4a。整數(shù)規(guī)劃 39。購買手數(shù) 39。 注意，在 PROC LP輸出中， LOTS約束條件（限制投資金額）是一個最大值為 $100000的不等式約束。 /*打印對偶解數(shù)據(jù)集 */ proc print data=d_out。整數(shù)規(guī)劃 39。收益、風(fēng)險和投資金額 39。 對偶解數(shù)據(jù)集包含以下信息： 投資組合收益； 最佳投資金額； 最佳投資組合風(fēng)險水平。 用非線性規(guī)劃產(chǎn)生投資組合 在 Markowitz模型中，股票收益指的是平均收益（也叫算術(shù)平均收益）。 證券投資組合收益是每只股票的加權(quán)收益。 試圖找出在既定風(fēng)險水平下收益最大的投資組合。 set return。00000239。00000739。00001139。 /*對數(shù)據(jù)集進行處理，將 3只股票的數(shù)據(jù)合為一個數(shù)據(jù)集中的三個變量，以便用 PROC CORR求 3只股票月收益的協(xié)方差 */ proc transpose data=return1 out=return1(drop=_name_ _label_)。 var monret。 proc corr data=return1 cov outp=cov_out1 nosimple。 title 39。 quit。例中， X從 0到 l，步長為 。 set cov_out1。MEAN39。 do x=0 to 1 by .05。 end。 label x=39。 run。 set cov_out2。 pfol_m2=x*r000002+(1x)*r000011。 run。 title 39。 title2 39。 run。由圖可以看出，投資組合 1在所有組合權(quán)重水平中都有最高收益。例中，投資組合 1在觀測 14處風(fēng)險最小（ ），即 65％的萬科 A（ 000002）和 35％的深達聲（ 000007）。結(jié)合上面分析，組合 1是最佳選擇。可以通過 GPLOT過程畫出收益對風(fēng)險的圖形，從而形象地識別出有效證券組合。曲線的端點（靠右邊）是不分散投資組合（一種股票占 100％，另一種為 0），分散投資降低了風(fēng)險水平。 組合 3遠不如組合 1和 2好。 下面把權(quán)重小于 ，因為從前面圖中可看出它們的收益較小而風(fēng)險較高，同時去掉組合 3。其次是權(quán)重從 2。 用 PROC NLP過程時，還可以加入邊界條件和一般線性條件 。權(quán)重計為 Xl－ X8，要求在 0與 1之間，和為 1。 data return2。 proc transpose data=return2 out=return2(drop=_name_ _label_)。 var
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號-1