iT邦幫忙

2023 iThome 鐵人賽

0
AI & Data

從零到英雄:用GCP建立AI交易體系系列 第 34

Day 33 回測統計(屬性分析)

  • 分享至 

  • xImage
  •  

屬性分析的目的是為了將盈虧(PnL)拆分為不同的風險類別。例如,一個企業債券投資組合經理通常希望了解其績效來自於以下哪些風險類別:期限(duration)、信用(credit)、流動性(liquidity)、經濟部門(economic sector)、貨幣(currency)、主權(sovereign)、發行人(issuer)等。他對期限的投注是否有效?他在哪些信用區段表現優秀?或者他應該專注於他的發行人選擇能力?

這些風險並不是正交的,因此它們之間總是有重疊。例如,高流動性的債券通常具有短期限和高信用評級,通常由持有大量未償債務的大型實體以美元發行。因此,各個屬性分析的PnL之和將不會與總PnL相匹配,但至少我們能夠計算每個風險類別的夏普比率(或資訊比率)。這方面最受歡迎的例子可能是Barra的多因子方法。

同樣重要的是在每個類別內部進行PnL的屬性分析。例如,期限類別可以分為短期限(少於5年)、中期期限(5至10年之間)和長期期限(超過10年)。這種PnL屬性分析可以如下進行:

  1. 首先,為了避免前面提到的重疊問題,我們需要確保投資組合中的每個成員在任何時間點都只屬於每個風險類別的一個且僅一個類別。換句話說,對於每個風險類別,我們將整個投資組合劃分為不交集的分區。

  2. 其次,對於每個風險類別,我們會根據每個風險類別來建立一個指數。例如,我們會計算一個短期限債券的指數表現,另一個中期期限債券的指數,以及另一個長期期限債券的指數。每個指數的權重是我們投資組合的重新調整過的權重,使得每個指數的權重之和為一。

  3. 第三,我們重複第二步,但這次我們使用來自投資組合的權重(例如,Markit iBoxx Investment Grade)來形成這些風險類別指數,再次重新調整使得每個指數的權重之和為一。

  4. 第四,我們計算我們在早先討論過的這些指數報酬和超額報酬的績效指標。短期指數的超額報酬是使用投資組合權重(第二步)的報酬減去使用投資組合權重(第三步)的回報。


上一篇
Day 32 回測統計(分類評分)
系列文
從零到英雄:用GCP建立AI交易體系34
圖片
  直播研討會
圖片
{{ item.channelVendor }} {{ item.webinarstarted }} |
{{ formatDate(item.duration) }}
直播中

尚未有邦友留言

立即登入留言