CVaR模型优化与资产配置实战
📚 共计 30 章节
01
风险管理的进化：从方差到VaR再到CVaR
为什么我们需要更好的风险度量工具？
核心概念
风险度量
02
CVaR数学原理
CVaR的定义、公式推导与经济学含义，理解尾部风险。
数学
尾部风险
03
投资组合理论回顾
马科维茨均值-方差模型及其局限性。
经典理论
均值方差
04
CVaR优化模型构建
线性规划视角下的CVaR最小化问题。
线性规划
优化
05
场景生成技术
历史模拟法与蒙特卡洛模拟法生成收益率场景。
模拟
场景
06
Python环境搭建
NumPy、Pandas、SciPy与CVXPY库的安装与配置。
工具
Python
07
数据获取与预处理
使用yfinance获取股票数据，计算对数收益率。
数据
yfinance
08
历史模拟法计算CVaR
从历史收益率序列中直接计算CVaR。
历史模拟
计算
09
蒙特卡洛模拟法计算CVaR
假设正态分布，模拟未来收益率路径。
蒙特卡洛
正态
10
CVaR优化实战（一）
最小化CVaR的资产配置模型（CVXPY实现）。
CVXPY
实战
11
CVaR优化实战（二）
加入收益率约束，实现收益-CVaR有效前沿。
有效前沿
约束
12
CVaR优化实战（三）
加入权重约束（做空限制、行业集中度限制）。
权重
约束
13
有效前沿对比
均值-方差前沿 vs 均值-CVaR前沿，差异在哪里？
对比
前沿
14
回测框架搭建
滚动窗口优化，评估策略的稳定性与鲁棒性。
回测
滚动
15
风险预算与CVaR贡献度
计算每个资产对组合CVaR的边际贡献。
风险预算
贡献
16
条件风险分解
将CVaR分解到各个资产，理解风险来源。
分解
归因
17
与Black-Litterman模型结合
将主观观点融入CVaR优化框架。
BL模型
观点
18
因子模型下的CVaR
使用Fama-French因子模型降维，优化因子暴露。
因子
降维
19
非正态分布处理
使用t分布或GARCH模型捕捉厚尾特征。
厚尾
GARCH
20
极端情景分析
压力测试与极端损失情景下的CVaR表现。
压力测试
极端
21
交易成本与流动性调整
在CVaR优化中考虑交易成本与冲击成本。
交易成本
流动性
22
多期CVaR优化
动态资产配置，考虑再平衡频率与路径依赖。
多期
动态
23
稳健CVaR优化
处理参数不确定性，使用分布鲁棒优化（DRO）。
鲁棒
DRO
24
大规模组合优化
使用ADMM或梯度下降法加速求解高维问题。
ADMM
高维
25
与机器学习结合
使用聚类算法（K-Means）筛选资产，降低维度。
聚类
降维
26
实战案例（一）
全球多资产配置（股票、债券、商品、REITs）。
多资产
全球
27
实战案例（二）
行业轮动策略，使用CVaR控制下行风险。
行业轮动
下行风险
28
实战案例（三）
加密货币组合的CVaR优化（高波动、厚尾特征）。
加密货币
厚尾
29
绩效评估指标
Calmar比率、Sortino比率、最大回撤与CVaR的关系。
绩效
指标
30
课程总结与未来展望
CVaR的局限性、ESG整合与AI驱动的风险管理。
总结
ESG
AI