Chan, Karceski & Lakonishok (1999) — On Portfolio Optimization: Forecasting Covariances and Choosing the Risk Model

论文信息

• 标题: On Portfolio Optimization: Forecasting Covariances and Choosing the Risk Model
• 作者: Louis K.C. Chan (University of Illinois at Urbana-Champaign) · Jason Karceski (University of Florida) · Josef Lakonishok (University of Illinois at Urbana-Champaign + NBER)
• venue: NBER Working Paper No. 7039，1999 年 3 月 · 27 页 + 附录
• 本地归档: raw/papers/199909-portfolio-optimization-forecasting-covariances/ (paper.pdf 810 KB + extracted.md)

一句话

不比"哪种风险模型更好"，而问"预测未来协方差该用什么模型、该用几个因子"：少数几个因子就能抓住协方差的一般结构，加因子不再提升预测力；真正区分模型优劣的是把目标从"最小化总波动"换成"最小化跟踪误差"——此时按属性匹配基准的启发式方法反而打败标准因子优化。

结构

• 评估两层：统计层（预测值与实现值的平均绝对误差、回归斜率、相关系数）与经济层（用预测做优化后组合的实现波动）
• 比较的模型谱系：历史完整协方差 / 因子模型 V = BQB' + D（1/3/4/8/10 因子）/ 常数协方差（所有两两协方差相同）
• 样本设计：每年 4 月从 NYSE+Amex 随机抽 250 只股票，用过去 60 个月估计，随后 12 或 36 个月检验；权重非负、单股权重上限 2%
• §"最小方差目标"下的结果 → §"跟踪误差目标"下的结果（Table 6 的按属性匹配启发式）

与已有页面的关系

• 协方差估计与预测的方法选择 —— 直接引用其"因子维度不是越高越好"的实证结论
• 协方差收缩 —— "常相关模型与因子模型表现相当"从实证侧支持简单化
• 马科维茨诅咒 —— 诅咒的良性版本：加权重约束后最小方差组合仍能显著降波动
• Ferson-Siegel 最优加权 —— "不精确估计载荷，直接匹配可观测属性"同族
• 摘要页 —— 提炼版
• Louis Chan · Josef Lakonishok —— 作者

关键数字

• 历史协方差与未来 36 个月实现协方差的相关系数只有 33.94%（12 个月约 18%）；方差稳定得多（36 个月 52.5%）
• 12 个月预测的回归斜率：一因子 0.5435、十因子 0.4488、完整协方差 0.3589
• 完美预知未来协方差时，250 只股票全局最小方差组合年化标准差 6.85%；等权 16.62%；用历史协方差代替后 12.94%；价值加权 15.54%
• 各风险模型的最小方差组合年化标准差落在 12.59%–12.94%（完整 12.94%、三因子 12.66%、常数相关 12.59%、复合模型 12.59%）
• 所有优化组合偏好低 beta 股票（beta 平均 0.5–0.7，等权组合 1.07），且至少 40% 权重押在公用事业（SIC 49）（价值加权 8.66%、等权 15.31%）
• Connor-Korajczyk 主成分法下第一主成分解释等权 CRSP 指数方差的 75%，其余四个只占 6.9%、3.6%、8.8%、5.6%
• 跟踪误差目标（S&P 500 基准，年化）：等权 6.16%、一因子 5.12%、三因子 4.53%、完整协方差 4.03%、九因子 4.01%、价值加权 3.04%
• 按属性匹配（Table 6）：九因子模型 4.01% → 按九个属性匹配 3.01%；只匹配行业构成 5.79%，行业+规模 4.60%，只匹配规模 3.53%
• 按跟踪误差优化的组合总波动比按总波动优化的组合平均高约 2 个百分点（Roll 1992）

重要 caveat

• 全篇只处理第二阶矩，不处理期望收益预测；作者明确说这是刻意选择，因为期望收益"出了名地难预测"且 MVO 对它极度敏感
• 基准用"市值最大的 1000 只股票的价值加权指数"作代理
• 作者结论里的自陈告诫：过去与未来协方差相关度低，说明"任何风险优化流程都需要一点谦逊"

标准文献

• Chan, L.K.C., Karceski, J. & Lakonishok, J. (1999). "On Portfolio Optimization: Forecasting Covariances and Choosing the Risk Model." NBER Working Paper 7039.
• Ledoit, O. & Wolf, M. (2004). "A Well-Conditioned Estimator for Large-Dimensional Covariance Matrices." Journal of Financial Econometrics 2(4): 217–241
• Connor, G. & Korajczyk, R. (1993). "Performance of Portfolio-Factor Models." Journal of Financial Economics 34(3): 269–298