动量和马科维茨投资组合模型使均值方差优化组合成为可行的解决方案。通过建议并测试：
增加最大权重限制
增加目标波动率约束
下面，我将查看8个资产的结果：
首先，让我们加载所有历史数据
#*****************************************************************
# 加载历史数据
#*****************************************************************
load.packages('quantmod')
# 加载保存的原始数据
#
load('raw.Rdata')
getSymbols.extra(N8.tickers, src = 'yahoo', from = '1970-01-01', env = data, raw.data =
for(i in data$symbolnames) data[[i]] = adjustOHLC(data[[i]]
接下来，让我们测试函数
#*****************************************************************
# 运行测试，每月数据
#*****************************************************************
plot(scale.one(data$prices))
prices = data$prices
plotransition(res[[1]]['::'])
接下来，让我们创建一个基准并设置用于所有测试。
#*****************************************************************
# 建立基准
#*****************************************************************
models = list()
commission = list(cps = 0.01, fixed = 10.0, percentage = 0.0)
data$weight[] = NA
model = brun(data, clean.signal=T,
接下来，让我们获取权重，并使用它们来进行回测
#*****************************************************************
# 转换为模型结果
#*****************************************************************
CLA = list(weight = res[[1]], ret = res[[2]], equity = cumprod(1 + res[[2]]), type = "weight")
obj = list(weights = list(CLA = res[[1]]), period.ends
我们可以复制相同的结果
#*****************************************************************
#进行复制
#*****************************************************************
weight.limit = data.frame(last(pric
obj = portfoli(data$prices,
periodicity = 'months', lookback.len = 12, silent=T,
const.ub = weight.limit,urns,1) + colSums(last(hist.returns,3)) +
colSums(last(hist.returns,6)) + colSums(last(hist.returns,12))) / 22
ia
},
min.risk.fns = list(
)
另一个想法是使用Pierre Chretien的平均输入假设
#*****************************************************************
# 让我们使用Pierre的平均输入假设
#*****************************************************************
obj = portfolio(data$prices,
periodicity = 'months', lookback.len = 12, si
create.ia.fn = create.(c(1,3,6,12), 0),
min.risk.fns = list(
TRISK.AVG = target.risk.portfolio(target.r
)
最后，我们准备看一下结果
#*****************************************************************
#进行回测
#*****************************************************************
plotb(models, plotX = T, log = 'y', Left
layout(1)
barplot(sapply(models, turnover, data)
使用平均输入假设会产生更好的结果。
我想应该注意的主要观点是：避免盲目使用优化。相反，您应该使解决方案更具有稳健性。
最受欢迎的见解
