周忠寶，金倩穎，曾喜梅，吳 乾，劉文斌,2

(1. 湖南大學(xué)工商管理學(xué)院，湖南 長(zhǎng)沙 410082；2. Business School, University of Kent, Kent, CT2 7PE)

存在基數(shù)約束的投資組合效率評(píng)價(jià)方法

周忠寶1，金倩穎1，曾喜梅1，吳 乾1，劉文斌1,2

(1. 湖南大學(xué)工商管理學(xué)院，湖南 長(zhǎng)沙 410082；2. Business School, University of Kent, Kent, CT2 7PE)

采用數(shù)據(jù)包絡(luò)方法(DEA)評(píng)價(jià)投資組合效率的前提是有效前沿面為連續(xù)凹函數(shù)，然而存在基數(shù)約束的投資組合有效前沿面可能是非凹且不連續(xù)的函數(shù)，直接運(yùn)用DEA方法對(duì)其進(jìn)行評(píng)價(jià)是不合理的。本文首先給出了存在基數(shù)約束的投資組合效率的定義，考慮到其有效前沿面是由有限個(gè)連續(xù)凹函數(shù)分段構(gòu)成的，提出了一種分段點(diǎn)搜索算法，構(gòu)建分段DEA模型來(lái)評(píng)價(jià)投資組合效率。仿真分析表明，隨著樣本量的增加，本文提出的搜索算法得到的樣本分段點(diǎn)逼近于真實(shí)分段點(diǎn)，分段DEA前沿面逼近于真實(shí)前沿面，DEA效率與真實(shí)效率相關(guān)性逐漸增大，從而說(shuō)明了本文方法的可行性和有效性。

投資組合效率；基數(shù)約束；有效前沿面；分段點(diǎn)搜索方法；數(shù)據(jù)包絡(luò)分析

1 引言

在現(xiàn)代金融研究領(lǐng)域，投資組合優(yōu)化和評(píng)價(jià)是一個(gè)熱點(diǎn)問(wèn)題[1-3]。1952年，美國(guó)經(jīng)濟(jì)學(xué)家Markowitz提出的均值-方差(Mean-Variance Model)模型[4]，開(kāi)創(chuàng)了現(xiàn)代投資理論的新紀(jì)元，該理論現(xiàn)已發(fā)展為現(xiàn)代投資組合理論的核心[5-6]。

經(jīng)典的均值-方差模型存在著諸多不足，其中很重要的就是實(shí)際投資組合中資產(chǎn)數(shù)量是存在限制的(基數(shù)約束)。Chang等學(xué)者在經(jīng)典均值-方差模型中引入投資組合所含資產(chǎn)數(shù)量限制，從而建立考慮基數(shù)約束的均值-方差模型(Cardinality Constrained Mean-Variance Model)[7]。Fieldsend和Matatko和Anagnostopoulos等學(xué)者基于經(jīng)典的均值-方差模型建立了多目標(biāo)基數(shù)約束投資組合優(yōu)化模型，并通過(guò)實(shí)例說(shuō)明了多目標(biāo)引入的重要性[8-9]。由于考慮基數(shù)約束的投資組合優(yōu)化問(wèn)題是混合整數(shù)二次規(guī)劃問(wèn)題，真實(shí)前沿面的解析解難以獲得。目前求解基數(shù)約束問(wèn)題的方法主要分為兩類(lèi)，一種是采用放松約束條件或者目標(biāo)函數(shù)來(lái)逼近原問(wèn)題從而得到解析解，另一種是采用啟發(fā)式算法解決基數(shù)約束問(wèn)題。Li Duan等學(xué)者[10]提出一種拉格朗日和Contour-Domain切割方法 。Gao Jianjun和Li Duan[11]結(jié)合基數(shù)約束問(wèn)題的幾何特點(diǎn)，將目標(biāo)函數(shù)進(jìn)行了放松并得到了不同放松形式下的解析解。Zheng Yiaojing等[12]提出用分段線性DC函數(shù)逼近基數(shù)約束函數(shù)從而將原問(wèn)題分解為一系列凸的子問(wèn)題。Cheng和Gao[13]構(gòu)建了基數(shù)約束均值-CVaR投資組合優(yōu)化模型，并提出采用加權(quán)l(xiāng)1-范數(shù)方法找到問(wèn)題的近似解。TianYe等[14]人構(gòu)建了正的錐約束來(lái)轉(zhuǎn)化原規(guī)劃問(wèn)題，并用數(shù)值算例證明了得到的最優(yōu)解優(yōu)于已有方法得到的解。郝靜和張鵬[15]提出用離散近似迭代法求解具有基數(shù)約束的多階段投資組合模型的最優(yōu)投資策略，并證明了其收斂性。Chang等[16]考慮了不同風(fēng)險(xiǎn)測(cè)度(均值-方差、半方差、均值絕對(duì)偏差及方差和偏度)下的基數(shù)約束問(wèn)題，并用遺傳算法進(jìn)行求解。Woodside-Oriakhi等學(xué)者[17]對(duì)利用啟發(fā)式算法求解基數(shù)約束投資組合問(wèn)題的文獻(xiàn)進(jìn)行了梳理。作為一個(gè)NP困難的問(wèn)題，考慮基數(shù)約束的投資組合前沿面仍然難以獲取，即使采用啟發(fā)式算法，也存在計(jì)算復(fù)雜和局部最優(yōu)解等問(wèn)題，因而基于真實(shí)前沿面直接對(duì)投資組合進(jìn)行評(píng)價(jià)是一個(gè)難題。

投資組合效率評(píng)價(jià)模型可以分為兩類(lèi)：Diversification模型[18]和DEA(DataEnvelopmentAnalysis)模型[19]，兩者的基本思想都是基于投資組合與前沿面的距離來(lái)計(jì)算投資組合效率。但Diversification模型是非線性模型，計(jì)算復(fù)雜，實(shí)際應(yīng)用不便。而DEA是由Charnes等學(xué)者提出的一種基于樣本數(shù)據(jù)的非參數(shù)方法[16]，是線性模型，計(jì)算簡(jiǎn)單。Liu等學(xué)者[20]關(guān)于DEA的應(yīng)用調(diào)查發(fā)現(xiàn)，在金融，經(jīng)濟(jì)，教育等領(lǐng)域中應(yīng)用甚是廣泛。Murthi等學(xué)者[20]應(yīng)用DEA模型評(píng)價(jià)了考慮交易成本的投資組合效率，提出投資組合DEA效率指數(shù)DPEI。Galagadera和Silvapulle[22]運(yùn)用DEA方法，利用最小初始投資和多個(gè)時(shí)間段的平均收益和標(biāo)準(zhǔn)偏差評(píng)估了投資組合效率。Daraio和Simar[23]用標(biāo)準(zhǔn)偏差、費(fèi)用比率、投資周轉(zhuǎn)率和規(guī)模作為輸入指標(biāo)，預(yù)期回報(bào)作為輸出指標(biāo)進(jìn)行了實(shí)證研究。ZhaoXiujuan等學(xué)者[24]分析了系統(tǒng)風(fēng)險(xiǎn)，非系統(tǒng)風(fēng)險(xiǎn)，投資期限和超額收益率，并構(gòu)建了二次約束DEA模型評(píng)價(jià)投資組合效率。GuoJian等[25]運(yùn)用DEA模型評(píng)估了走高時(shí)期的投資基金效率。DingHui等學(xué)者[26]研究了存在保證金限制的投資組合效率評(píng)價(jià)問(wèn)題。周忠寶等學(xué)者[27-29]采用DEA模型對(duì)考慮交易成本的單階段和多階段投資組合進(jìn)行了評(píng)價(jià)。楊宏林等學(xué)者[30]探索了基于DEA方法的價(jià)值與動(dòng)量混合策略股票資產(chǎn)組合選擇及效率評(píng)價(jià)問(wèn)題。LiuWenbin等學(xué)者[3]系統(tǒng)地研究了DEA應(yīng)用于投資組合效率評(píng)價(jià)的理論基礎(chǔ)，以及考慮交易成本和交易量等市場(chǎng)摩擦和多種風(fēng)險(xiǎn)測(cè)度下的投資組合評(píng)價(jià)問(wèn)題。用DEA方法逼近投資組合前沿面適用于連續(xù)凹函數(shù)的情形，然而考慮基數(shù)約束的投資組合前沿面可能是非凹且不連續(xù)的，因而不能直接運(yùn)用DEA方法評(píng)價(jià)投資組合的效率。

本文基于存在基數(shù)約束的投資組合優(yōu)化模型，根據(jù)其有效前沿面定義了投資組合效率。由于考慮基數(shù)約束的投資組合真實(shí)前沿面解析解難以獲得，難以直接應(yīng)用效率的定義對(duì)投資組合進(jìn)行評(píng)價(jià)，因而本文研究了基于分段DEA模型的評(píng)價(jià)方法。首先，本文提出了一種樣本分段點(diǎn)搜索算法，以逼近真實(shí)分段點(diǎn)；其次，基于樣本分段點(diǎn)對(duì)投資組合進(jìn)行分組，由于每個(gè)分段的有效前沿面是連續(xù)凹函數(shù)，據(jù)此提出了分段DEA前沿面來(lái)逼近真實(shí)前沿面，進(jìn)而用DEA效率逼近真實(shí)的投資組合效率。仿真結(jié)果表明，本文提出的方法可以有效地評(píng)價(jià)考慮基數(shù)約束的投資組合效率。

2 考慮基數(shù)約束的投資組合效率定義

2.1 考慮基數(shù)約束的投資組合優(yōu)化模型

如果限制投資組合中證券的數(shù)量不超過(guò)K，則可構(gòu)建如下收益導(dǎo)向的考慮基數(shù)約束的均值-方差投資組合優(yōu)化模型：

(1)

對(duì)應(yīng)的風(fēng)險(xiǎn)導(dǎo)向投資優(yōu)化模型可表示為：

(2)

其中，sign()為符號(hào)函數(shù)，當(dāng)xi≠0時(shí)|sign(xi)|=1，當(dāng)xi=0時(shí)sign(xi)=0。

2.2 考慮基數(shù)約束的投資組合效率定義

圖1 投資組合效率

上述定義適用于投資組合有效前沿面為連續(xù)凹函數(shù)的情形，當(dāng)考慮基數(shù)約束的限制時(shí)，投資組合真實(shí)前沿面函數(shù)可能出現(xiàn)不連續(xù)的情況(如圖2所示)，此時(shí)如果采用風(fēng)險(xiǎn)導(dǎo)向，可能出現(xiàn)投資組合在前沿面上無(wú)法投影的情況，進(jìn)而無(wú)法計(jì)算投資組合效率。

圖2 考慮基數(shù)約束的投資組合效率

在上述情況下，盡管分段點(diǎn)或者突變點(diǎn)處期望收益出現(xiàn)較大變動(dòng)，風(fēng)險(xiǎn)的取值仍然是連續(xù)的，這意味著對(duì)于任一投資組合，在收益導(dǎo)向下，始終能夠得到前沿面上的投影點(diǎn)，因此總可以定義收益導(dǎo)向的投資組合效率：

在考慮基數(shù)約束的限制時(shí)，由于投資組合前沿面可能出現(xiàn)不連續(xù)的情形，因而在評(píng)價(jià)時(shí)需要注意導(dǎo)向的選取?？紤]到風(fēng)險(xiǎn)的取值始終是連續(xù)的，采用收益導(dǎo)向的投資組合效率評(píng)價(jià)總是可行的，因而本文研究中均采用收益導(dǎo)向。

3 考慮基數(shù)約束的投資組合效率評(píng)價(jià)方法

LiuWenbin等學(xué)者[3]的研究表明，當(dāng)投資組合前沿面是連續(xù)凹函數(shù)時(shí)，可以采用基于數(shù)據(jù)的DEA模型來(lái)評(píng)價(jià)投資組合效率，當(dāng)投資組合數(shù)量趨于無(wú)窮時(shí)，DEA前沿面依概率收斂于真實(shí)前沿面。然而，考慮基數(shù)約束的投資組合有效前沿面可能是不連續(xù)的非凹函數(shù)，因而依據(jù)上述研究直接運(yùn)用DEA模型進(jìn)行評(píng)價(jià)是不可行的。

盡管考慮基數(shù)約束的投資組合有效前沿面可能不是連續(xù)的凹函數(shù)，但顯而易見(jiàn)該有效前沿面是由多個(gè)連續(xù)凹函數(shù)分段構(gòu)成的，這為運(yùn)用DEA模型評(píng)價(jià)考慮基數(shù)約束的投資組合提供了一個(gè)思路：首先找出分段點(diǎn)，然后在每一段內(nèi)采用DEA模型進(jìn)行評(píng)價(jià)。然而，由于考慮基數(shù)約束的投資組合優(yōu)化模型非常復(fù)雜，找到真實(shí)分段點(diǎn)仍然非常困難，因此本文提出了一種分段點(diǎn)搜索算法，根據(jù)樣本分段點(diǎn)來(lái)逼近真實(shí)分段點(diǎn)。

樣本分段點(diǎn)搜索算法：

1)對(duì)所有樣本點(diǎn)依據(jù)風(fēng)險(xiǎn)大小進(jìn)行排序，得到樣本序列(σi,ri)(i=1,2,…,n)，其中σi為非降序列(σi≤σi+1,i=1,2,…,n-1)；

如圖3所示，若kAO

圖3 樣本分段點(diǎn)判定方法

Liu等學(xué)者[3]的研究表明，當(dāng)前沿面為連續(xù)凹函數(shù)時(shí)，隨著投資組合數(shù)量趨于無(wú)窮，前沿面上任一點(diǎn)的任意鄰域內(nèi)總存在投資組合樣本點(diǎn)[3]。由于考慮基數(shù)約束的投資組合有效前沿面在每一段內(nèi)滿足連續(xù)凹函數(shù)的條件，因而對(duì)于分段前沿面上任一點(diǎn)，當(dāng)樣本量足夠大時(shí)，其任意鄰域內(nèi)總存在投資組合樣本點(diǎn)。相應(yīng)地，容易證明，當(dāng)樣本量足夠大時(shí)，在任一真實(shí)分段點(diǎn)的任意鄰域內(nèi)總存在樣本分段點(diǎn)，從而樣本分段點(diǎn)逼近于真實(shí)分段點(diǎn)。

在確定了樣本分段點(diǎn)之后，就可以將所有的樣本按照樣本分段點(diǎn)劃分組別，在每一組內(nèi)采用DEA模型進(jìn)行評(píng)價(jià)。需要注意的是，本文假設(shè)不存在無(wú)風(fēng)險(xiǎn)資產(chǎn)，因而在組內(nèi)進(jìn)行評(píng)價(jià)時(shí)采用BCC模型，當(dāng)存在無(wú)風(fēng)險(xiǎn)資產(chǎn)時(shí)可以用FG-DEA模型[26]或CCR模型[17]進(jìn)行評(píng)估。

maxφ

λj≥0,j=1,…,m

(3)

需要特別指出的是，雖然基數(shù)約束下不同分段內(nèi)的DEA模型在形式上跟其他DEA模型相同，但是投資組合樣本數(shù)據(jù)中已經(jīng)包含了基數(shù)約束等限制條件，而且其對(duì)應(yīng)的投資組合優(yōu)化模型和有效前沿面并不相同。

4 仿真分析

選取了2012年1月至2015年8月的中國(guó)A股市場(chǎng)5只股票的月收益率數(shù)據(jù)，由于個(gè)股的月收益率數(shù)值較小，本文以股票收益率的百分?jǐn)?shù)為基準(zhǔn)計(jì)算得到的期望收益率分別為6.0851、2.3036、2.0161、2.6819、0.8631，協(xié)方差矩陣如表1所示。

表1 協(xié)方差矩陣

為便于比較不同樣本量下本文所提出的方法的實(shí)際效果，樣本量m為100、500和1000?；鶖?shù)限制K=3和K=4時(shí)不同樣本量對(duì)應(yīng)的DEA前沿面和真實(shí)有效前沿面的比較如圖4和圖5所示。從圖中可以看出，隨著樣本量的增加，樣本分段點(diǎn)逼近于真實(shí)分段點(diǎn)，相應(yīng)的分段DEA前沿面逐漸逼近于真實(shí)前沿面。

圖4 分段前沿面比較(K=3)

圖5 分段前沿面比較(K=4)

需要特別指出的是，從圖中可以看出，當(dāng)樣本量比較大時(shí)，通過(guò)搜索算法得到的樣本分段點(diǎn)的數(shù)量可能多于真實(shí)分段點(diǎn)，然而這并不影響投資組合效率的評(píng)價(jià)結(jié)果，原因在于，對(duì)于某一分段有效前沿面，因?yàn)槠錇檫B續(xù)凹函數(shù)，可以將其看作多個(gè)分段連續(xù)凹函數(shù)，采用收益導(dǎo)向的投資組合效率評(píng)價(jià)模型并不會(huì)影響最終結(jié)果。

基于真實(shí)前沿面和基于DEA模型計(jì)算的投資組合效率及其排名的相關(guān)系數(shù)如表2所示。由表2可知，隨著投資組合樣本量的增加，相關(guān)系數(shù)也逐漸增大，表明采用本文提出的方法評(píng)價(jià)投資組合績(jī)效是切實(shí)可行的。

表2 相關(guān)性分析

5 結(jié)語(yǔ)

本文基于考慮基數(shù)約束的投資組合優(yōu)化模型，定義了投資組合效率和真實(shí)分段點(diǎn)，提出了根據(jù)真實(shí)分段點(diǎn)對(duì)投資組合進(jìn)行分段評(píng)價(jià)的思想。由于真實(shí)分段點(diǎn)難以計(jì)算，本文給出了一種樣本分段點(diǎn)搜索算法，該算法能有效地逼近真實(shí)分段點(diǎn)。在確定樣本分段點(diǎn)后，構(gòu)建了DEA模型對(duì)每個(gè)分段內(nèi)的投資組合進(jìn)行效率評(píng)價(jià)。本文提出的方法是一種基于樣本數(shù)據(jù)的效率評(píng)價(jià)方法，實(shí)用性很強(qiáng)，計(jì)算方便。仿真實(shí)例表明，隨著樣本量的增加，本文提出的搜索算法得到的樣本分段點(diǎn)逐漸逼近真實(shí)分段點(diǎn)，分段DEA前沿面逼近于真實(shí)前沿面，且計(jì)算得到的DEA效率與基數(shù)約束下投資組合效率相關(guān)性越來(lái)越大，從而表明本文提出的方法切實(shí)有效。

[1] Morey MR, Morey RC. Mutual fund performance appraisals: a multi-horizon perspective with endogenous benchmarking[J]. Omega, 1999, 27(2):241-58.

[2] Briec W, Kerstens K. Multi-horizon Markowitz portfolio performance appraisals: A general approach[J]. Omega, 2009, 37(1):50-62.

[3] Liu Wenbin, Zhou Zhongbao, Liu Debin,et al. Estimation of portfolio efficiency via DEA[J]. Omega, 2015, 52: 107-118.

[4] Markowitz H. Portfolio selection[J]. Journal of Finance, 1952, (4): 77-91.

[5] 齊岳,林龍,王治皓.大數(shù)據(jù)背景下遺傳算法在投資組合優(yōu)化中的效果研究[J].中國(guó)管理科學(xué), 2015, (S1): 464-469.

[6] 楊湘豫,趙婷.基于Copula的股票型開(kāi)放式基金的組合風(fēng)險(xiǎn)度量[J].湖南商學(xué)院學(xué)報(bào), 2010, (3): 79-81.

[7] Chang T J, Meade N, Beasley J E, et al. Heuristics for cardinality constrained portfolio optimization[J]. Computers & Operations Research, 2000, 27(13): 1271-1302.

[8] Fieldsend J E, Matatko J, Peng M. Cardinality constrained portfolio optimization[C] //Proceedings of International Conference on Intelligent Data Engineering and Automated Learning-IDEAL 2004. Springer Berlin Heidelberg, 2004: 788-793.

[9] Anagnostopoulos K P, Mamanis G. The mean-variance cardinality constrained portfolio optimization problem: An experimental evaluation of five multiobjective evolutionary algorithms[J]. Expert Systems with Applications, 2011, 38(11): 14208-14217.

Performance Evaluation of Portfolios with Cardinality Constraints

ZHOU Zhong-bao1， JIN Qian-ying1， ZENG Xi-mei1， WU Qian1， LIU Wen-bin1,2

(1.School of Business Administration, Hunan University, Changsha 410082, China;2. Business School, University of Kent, Kent, CT2 7PE, England)

Using Data Envelopment Analysis (DEA) to evaluate the performance of portfolios requires that the portfolio efficient frontier is continuous and concave. However, the efficient frontier on considering cardinality constraints may not be continuous or concave. Obviously, the direct use of DEA to evaluate the performance of portfolios with cardinality constraints is not reasonable. In this case, the definition of portfolio efficiency is provided. Since the efficient frontier with cardinality constraints is a piecewise concave function, a numerical searching algorithm is put forward to obtain the sample segment points, which are used to group portfolios under cardinality constraints. The DEA model is then used to evaluate the performance of portfolios in each group. The simulation example indicates that, with the increase of sample size, the sample segment points converge to the real segment points, the DEA frontiers converge to the efficient frontier with cardinality constraints, the correlations between DEA efficiencies and portfolio efficiencies are becoming larger, which all indicate the feasibility and effectiveness of the proposed approach.

portfolio efficiency; cardinality constraints; efficient frontier; segment points search method; data envelopment analysis

1003-207(2017)02-0174-06

10.16381/j.cnki.issn1003-207x.2017.02.019

2015-10-05；

2016-06-07

國(guó)家自然科學(xué)基金面上項(xiàng)目(71371067)；國(guó)家自然科學(xué)基金重點(diǎn)項(xiàng)目(71431008)

金倩穎(1993-)，女(漢族)，浙江義烏人，湖南大學(xué)工商管理學(xué)院，在讀博士，研究方向：金融工程與風(fēng)險(xiǎn)管理、系統(tǒng)優(yōu)化與決策，E-mail：qianyingjin@hnu.edu.cn.

C931;F830

A