学海拾珠系列之二百三十七：马科维茨模型中均值的最优收缩

本篇研报探讨了在现代投资组合理论（MPT）框架下，均值向量估计对投资组合性能的影响，比较了传统方法、James–Stein方法和Ortiz方法，以样本外夏普比率和权重波动性为评估指标。

核心观点： 将均值向量收缩到其总体均值的方法能够显著提高样本外夏普比率并降低权重波动性。

传统均值向量估计的局限性： 在小样本和参数动态变化时表现不佳，导致投资组合权重波动大、样本外夏普比率低。

三种投资组合优化方法的比较：

• 传统方法： 依赖无偏和最小方差估计，适用于大样本场景，但在小样本和市场变化时表现欠佳。
• Jorion方法： 引入均值收缩技术，通过特定公式确定收缩水平，降低参数估计风险，提高均值估计稳定性，但可能导致投资组合权重波动性较大。
• Ortiz方法： 结合多元线性回归，收缩协方差矩阵，同时最小化投资组合权重的均方误差，能有效降低权重波动性，提升样本外夏普比率，优化过程更稳定。

研究结论：

• Ortiz方法在样本外夏普比率和组合权重稳定性方面均优于传统方法和Jorion方法。
• 通过同时进行估计和优化，可以有效降低组合权重的波动性，提高组合的稳定性和风险调整后收益。
• 最小化投资组合权重均方误差的方法表现更优，原因在于该方法同时进行估计与优化，而其他方法先估计后优化。

关键数据：

• 在样本数大于或等于120个月度观测值时，Ortiz方法提供的样本外夏普比率高于1/n规则。
• Ortiz方法的投资组合权重波动性显著低于传统方法和Jorion方法，例如，在30个工业行业投资组合中，Ortiz方法的投资组合权重平均波动率比传统方法小29.8倍，比Jorion方法小4.6倍。

研究意义： 本研究为投资组合管理人提供了一种通过优化帮助投资者获取更高回报的方法，并为未来研究同时收缩协方差矩阵和均值向量对现代投资组合理论的影响提供了方向。