Linearity-Generating Strategies (LGS)

Definition. Collin-Dufresne, Daniel, Sağlam & Moallemi (2014) 提出的多期动态组合策略族: 每只证券的持仓 / 交易 = 一组 exposures 在历史收益缩放下的线性组合; 在此参数族内, 非线性动态规划降为确定型 LQ 闭式解; 大 N 证券 + 多因子 + 随机波动 + 二次 TC 下仍 tractable。是 Mean-Variance Optimization with Transaction Cost 的动态多期底层解法, 也是 BSV 2009 (numerical) 的闭式泛化。

设定

• 状态: X_t 可观、可模拟; 条件均值 \mu_t(X_t) + 条件协方差 \Sigma_t(X_t)
• 目标: E[W_T] - \tfrac{\gamma}{2}\mathrm{Var}[W_T] (dollar-amount LQ 风险惩罚)
• 交易成本: 二次 \mathrm{TC}_i = \eta_i u_{i,t}^2/2, \eta_i 可与个股波动率联动
• Why not standard LQ? 财富方程 + 一般收益过程引入非线性状态方程, 且 Q_t 可时变 — 不再是标准 LQ 类。

LGS 参数化 (Section 2.5)

对每只证券 i 选一组 K-vector exposure B_{i,t} = h_i(X_t) \in \mathbb R^K(可包括 E[r_{i,t}|X_t]/\mathrm{Var}[r_{i,t}|X_t]、无 TC 时 myopic 持仓、L-GP 解、规则策略权重等)。定义 scale-invariant exposure:

B_{i,s \to t} = B_{i,s} \cdot R_{i,s \to t} (买入并持有的 B_{i,s} exposure, R_{i,s\to t} 是 gross return, 单位 exposure 在 s \to t 永远 = 1 单位)。参数 \theta_{i,s,t}, \pi_{i,s,t} 完全决定策略: u_{i,t} = \sum_{s \le t} \theta_{i,s,t}^\top B_{i,s \to t}, \qquad x_{i,t} = \sum_{s \le t} \pi_{i,s,t}^\top B_{i,s \to t}

直观: 把 LGS 看成许多简单 buy-and-hold 子策略的加权和 — 每个子策略在 s 时按 \pi_{i,s,s} 单位 B_{i,s} exposure 买入, 之后每期加减仓 (\theta_{i,s,t} 是时变持仓比例)。

关键定理 (Section 2.5.1)

在 LGS 参数族内, 多期动态优化降为 \theta, \pi 的确定型 LQ 优化, 闭式可解。

关键意义

1. 避 curse of dimensionality: 大 N 证券 / 多因子 / SV 不增加复杂度(只增 parameter dimension by K, 而非 N)
2. 闭式 / 无 in-sample 优化: 不像 BSV 2009 在样本上数值搜最优, LGS 直接 LQ 闭式, 不会过拟合样本
3. L-GP 是 LGS 的特例: L-GP 解可作为 LGS 的 initial guess, LGS 自动判定哪些额外 exposures 加权 = 0
4. Myopic (MP) / L-GP / BSV 都可被 LGS 嵌套: 选 exposures 足够多时, LGS 包含所有三者作为子集
5. 任何方法解都可作为 exposure: 包括 L-GP / MP / 规则策略的输出, 然后 LGS 自动判断是否需要"加权补充"其他 exposures

仿真对比 (Section 3)

Characteristics model (无共同因子, Σ 不变)

Factor Model (Σ 随机)

• LGS (BL) 显著优于其他: zero t-cost 下 obj 高 ~14% over second-best
• L-GP 严重失效: 因假设 Σ 不变, 在 Σ 时变场景下系统性错误
• MP-TC 是次优, GP-R 第三梯队

NYSE 实证 (1974-2013, 100 大 + 短期反转)

LGS 在 daily Sharpe 上比 myopic 高 ~10%, 同时交易成本更低(更聪明调仓)。

工程注意

1. Exposures 选择是艺术: 选得不好 LGS 解可能远差于"全局最优"。建议 baseline = myopic + L-GP 输出 + 因子 loading, 然后加 \mu/\sigma^2 之类简单信号。
2. Lag 数: 论文用 finite lag approximation (L=2-4); 多 lag 增加 parameter 但对短期反转帮助有限
3. 正则化: LQ 解自动给 smooth parameter, 但不显式惩罚 turnover; 若 turnover 仍高, 叠加显式 \eta 项

与 wiki 现有概念的关系

• Mean-Variance Optimization with Transaction Cost — 单期 regime-conditional TC-MVO; LGS 是其多期动态 + SV 的底层解法
• Risk Parity — ERC 不显式 regime / TC, 但可作为 LGS 中的 exposure
• Volatility-Managed Portfolio (波动率管理组合) — Moreira-Muir 思路可作为 LGS 的一个 exposure
• Distributionally Robust Optimization — DRO 处理 \mu, \Sigma 的输入侧不确定性, LGS 处理决策侧 (TC + 多期) 不确定性; 工程上常组合
• Volatility Targeting — vol-targeting 是 LGS 的一个特殊情形 (constant leverage)
• BSV — BSV 是 LGS 的非闭式 in-sample 版, LGS 把"数值搜参数"换成"LQ 闭式定参数"

邻近概念

• Mean-Variance Optimization with Transaction Cost — 上层 regime-conditional 目标
• Risk Parity — 风险预算型替代
• Volatility-Managed Portfolio (波动率管理组合) — vol-targeting 思路

起源 / 标准文献

• Collin-Dufresne, P., Daniel, K., Sağlam, M. & Moallemi, C.C. (2014). Dynamic Asset Allocation with Predictable Returns and Transaction Costs. Working paper, Columbia / EPFL / Cincinnati, Dec 22, 2014. SSRN 7384838. — 原始 LGS 论文
• Almgren & Chriss (1999). *Optimal Execution of Portfolio Transactions*. — 单证券清算版 LQ 闭式解 (有效前沿 + 指数轨迹 + half-life), LGS 多期 + 二次 TC 设定在单证券清算问题上的直系前身
• Litterman, R. (2005). Hot Spots and Hedges. — L-GP 闭式解的前身
• Gârleanu, N. & Pedersen, L.H. (2012). Dynamically Consistent Approach to Mean-Variance Portfolio Optimization. — L-GP 闭式解
• Brandt, M.W., Santa-Clara, P. & Valkanov, R. (2009). Parametric Portfolio Policies. RFS 22:3411-3447. — BSV in-sample 数值版
• Brown, D. & Smith, J. (2010). Dynamic Portfolio Optimization with Transaction Costs. — 启发式 + 对偶界

Open Questions

• A 股 T+1 + 涨跌停约束下 LGS 可化性(理论上有解但实际参数空间可能爆炸)
• LGS exposures 设计如何系统化(当前是手工 + 试错), 是否可用 ML 学
• LGS 与 DRO 嵌套: Σ̂ 取 Wasserstein-ambiguity 集下界, 同时 w 经 LGS 闭式求
• LGS 在 A 股 100-500 股票 weekly 反转因子复制(对比 CD-Sağlam-Moallemi 2014 实证 0.96 SR)
• 高频 / 日内 LGS 的 finite-lag truncation 误差量化