dynamic-portfolio-choicemulti-period-mvotransaction-costlgslinearity-generating-strategieslq-controlfactor-modelstochastic-volatilitygarchreversal-strategyworking-paper

Collin-Dufresne, Daniel, Sağlam & Moallemi (2014) — Dynamic Asset Allocation with Predictable Returns and Transaction Costs

Title. Dynamic Asset Allocation with Predictable Returns and Transaction Costs

Bibliographic info

  • Authors: Pierre Collin-Dufresne (EPFL); Kent Daniel (Columbia); Mehmet Sağlam (University of Cincinnati); Ciamac C. Moallemi (Columbia)
  • Dates: Preliminary Aug 15, 2013; this draft Dec 22, 2014
  • Venue: Working paper, Columbia Business School / EPFL / University of Cincinnati
  • SSRN: abstract id 7384838
  • Pages: ~70 (working paper length; full text)
  • 本地 PDF: raw/papers/201412-dynamic-asset-allocation-predictable-returns-transaction-costs/paper.pdf

Key contribution

提出 LGS (Linearity-Generating Strategies) 参数族: 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 LGS 参数族内, 非线性动态规划降为确定型 LQ 优化, 闭式可解。同时容纳:

  • 大 N 证券 (实证 N=100)
  • 多因子收益过程
  • 随机波动 (实证 GJR-GARCH(1,1) on market + idiosyncratic)
  • 二次交易成本 (实证与个股波动率联动)
  • 多个预测变量
  • 多期 (multi-period, not one-shot)

是 BSV 2009 (in-sample numerical) 与 L-GP (closed-form, but constant Σ) 的统一 + 推广。

Main results

Section 2 — Model & LGS

  • 投资者目标: E[W_T] - \tfrac{\gamma}{2}\mathrm{Var}[W_T] (dollar-amount LQ)
  • 收益过程: \mu_t(X_t), \Sigma_t(X_t), 一般因子 + SV
  • TC: \eta_i u_{i,t}^2/2 (二次, 可时变)
  • LGS 定义 (Section 2.5): u_{i,t} = \sum_{s \le t} \theta_{i,s,t}^\top B_{i,s\to t}, \quad x_{i,t} = \sum_{s \le t} \pi_{i,s,t}^\top B_{i,s\to t} 其中 B_{i,s\to t} = B_{i,s} \cdot R_{i,s\to t} (scale-invariant exposure)
  • 关键定理 (2.5.1): 在 LGS 内, 动态规划降为 (\theta, \pi) 的确定型 LQ 问题, 闭式解
  • Section 2.6: 完整 closed-form solution

Section 3 — Simulation (10,000 paths)

Characteristics model (no common factor, Σ constant)

t-cost MP MP-TC GP GP-R LGS (BL)
Zero obj 2739.75 2739.75 1704.41 2739.75 2739.65
Low obj 254.34 255.08 207.59 327.39 329.55
Med obj 147.83 147.92 119.73 187.74 190.04
High obj 85.28 85.33 66.26 103.22 105.46

Factor model (Σ random via factor loadings)

  • LGS (BL) 显著优于: zero t-cost 下 obj +14% over second-best
  • L-GP (GP-R) 严重失效: 因子加载变化 → Σ 随机, L-GP 假设违反
  • GP (无 resolve) 表现极差, MP-TC 第三梯队

Section 4 — NYSE 1974-2013, 100 largest + reversal factor

  • 因子模型: 短期反转, half-life ≈ 2.4 天 (\beta_r = 0.72), EWMA 残差
  • 市场 / 残差波动: GJR-GARCH(1,1) 各自估计
  • TC: 与个股波动率联动 (per CD 2013)
指标 MP (myopic) LGS (RBL)
Avg Objective 718.6 724.4
SR of Terminal Wealth 0.9108 0.962
SR of Daily Profit 0.7164 0.7883
Total TC 178.1 166.1

LGS 比 myopic Sharpe 高 ~5% (terminal) / ~10% (daily), 同时总 TC 更低 — 聪明的多期调仓换更少成本换更高 Sharpe。

注意: 近年 (2007-) 反转策略累计利润明显衰减 — 与 R / Khandani-Lo 2007 衰减一致。

Limitations

  1. Exposures 设计: 当前手工选 (K 个), 没有系统化方法
  2. TC 函数: 仅二次; 真实市场含非线性 impact (Almgren-Chriss); 论文未处理
  3. A 股 / 涨跌停 / T+1: 硬制度约束未涉及 (实证 NYSE)
  4. LGS 解只对 LGS 族最优: 真正的全局最优可能超出此族, 但暴露足够多时差距小
  5. 模型依赖: 与 L-GP / BSV 一样需要 explicit return generating process specification

Relation to prior literature

文献 与本文关系
Merton (1969, 1971) 动态 Merton 不带 TC, 无闭式
Constantinides (1986), Davis-Norman (1990) 2 资产 + TC, 无可预测
Litterman (2005), Gârleanu-Pedersen (2012) L-GP 闭式, 但 Σ 不变; 因子模型下显著劣于本文
Brandt-Santa-Clara-Valkanov (2009) BSV 非闭式 in-sample 数值; 本文 LGS 是其闭式泛化
Brown-Smith (2010) 启发式 + 对偶界; 本文闭式
Lynch-Tan (2011) 2 资产, 数值; 本文 large-N
Collin-Dufresne-Daniel (2013) 短期反转因子动态模型; 本文 Section 4 实证的因子模型

Concepts introduced / referenced

Sources