一种基于规则化方法的最优稀疏指数追踪模型设计  

A Design of Optimal Index Tracking Models Based on Regularized Methods

作　　者：苏治[1,2] 方彤[1] 秦磊[3] 

机构地区：[1]中央财经大学统计与数学学院 [2]中国人民大学国际货币研究所 [3]对外经济贸易大学统计学院

出　　处：《数量经济技术经济研究》2016年第4期145-160,共16页Journal of Quantitative & Technological Economics

基　　金：国家自然科学基金面上项目"货币总量转向信用总量:全球虚拟经济与实体经济背离机理与宏观政策应对"(71473279);2013年度教育部"新世纪优秀人才支持计划"(NCET-13-1055);中央财经大学第二批青年科研创新团队项目;中央财经大学学科建设"211"经费的资助

摘　　要：本文将目前流行的规则化方法加入到传统指数追踪模型中,得到若干种稀疏而且稳定的资产组合,用于复制指数的收益率,并构建样本内外预测、模型一致性、资产组合稀疏性和BIC准则进行模型效果评价。基于对上证综指、沪深300指数和中证500指数的实证发现:图结构约束可以提升模型的样本外预测能力、模型一致性和资产组合稀疏性;ITM-adaL1在资产组合稀疏性上表现远好于其他模型;结合三种指数追踪,含有自适应L1罚函数以及图结构约束的指数追踪模型总体表现优于其他模型。本文的研究方法和结果对指数型基金管理公司、个人和投资机构者有较为重要的实际意义。This paper obtains several sparse and stable portfolio models to replicate the index returns by combining several popular regularized methods with index tracking mod- el. Based on the Shanghai Composite Index, SHSE-SZSE300 and 500SER, we find that graph-structured penalty can improve model prediction ability, consistency between in-sam- ple and out-of-sample performance and sparsity of portfolio. ITM-adaL1 performs much bet- ter in sparsity of portfolio. Considering all the index tracking, index tracking models with a- daptive-L1 penalty and graph structure perform better generally. The methods and results in this paper are of great practical significance to personal and institutional investors.

关 键 词：规则化方法 指数追踪模型 模型一致性 变量选取 BIC准则 

分 类 号：F224.05[经济管理—国民经济]