报告行业投资评级 * 本报告为金融工程专题研究，属于方法论探讨，未对具体行业或公司给出投资评级 [1][11] 报告的核心观点 * 报告针对传统投资组合优化方法因资产收益分布信息未知而面临的挑战，提出了一种基于贝叶斯预测合成（BPS）的框架来应对金融市场不确定性 [2] * 该框架通过整合多个预测模型（专家）的信息，并利用动态线性模型（DLM）作为合成函数，生成一个能够容纳时变不确定性的资产收益后验预测分布 [2][3] * 基于此统一的后验分布，报告展示了如何驱动均值-方差、基于分位数（如VaR/CVaR, VoR/CVoR）以及风险平价这三类主流的投资组合构建策略 [4] * 在美国和日本市场的实证测试中，基于BPS的投资组合优化方法（BPPS）在测试期（2011年至2019年）内整体表现良好，未出现显著的绩效滑坡，且对集成中表现较差的预测模型不敏感，显示出方法的稳健性 [5][49] 根据相关目录分别进行总结 引言与问题背景 * 投资组合优化的经典方法（如均值-方差、基于分位数、风险平价）均需要资产回报分布信息作为输入，而这些信息通常未知且难以准确估计，估计误差会显著影响组合表现 [12] * 市场不确定性（如时间序列非平稳、小样本数据）加剧了估计难度，本研究采用贝叶斯方法应对此问题 [15] 贝叶斯预测合成（BPS）框架 * BPS是一种集成多个“专家”预测分布的贝叶斯框架，通过一个“合成函数”将其整合为统一的后验预测分布 [3] * 研究采用动态线性模型（DLM）作为合成函数的具体形式，该模型是一个状态空间模型，其系数遵循随机游走，能有效捕捉金融时间序列的非平稳性和时变性 [3][28] * BPS框架将参数估计与市场本身的不确定性统一纳入后验分布，为组合优化提供了兼具信息量与稳健性的输入 [3] 基于后验分布的组合构建方法 * 均值-方差组合：探讨了基于后验均值与方差的约束优化形式，以及与期望二次效用最大化理论的联系 [4][32][33] * 基于分位数的组合：引入了贝叶斯版本的VaR/CVaR（风险视角）及VoR/CVoR（收益视角）作为优化目标或约束 [4][34] * 风险平价组合：定义了基于后验方差的边际风险贡献与风险贡献，并求解权重以使各资产风险贡献相等 [4][37] 实证分析 * 数据与设置：研究在美国和日本市场各选取10只股票，使用2008年1月1日至2019年12月31日的月度收益率数据，其中2011年前数据用于参数学习，2011年至2019年数据用于测试绩效 [38] * 专家模型：使用了5个预测模型作为专家，包括过去1年样本均值、过去3年样本均值，以及使用过去3年样本的AR(1)、AR(2)、AR(3)回归模型 [39][44] * 对比方法：除了基于BPS的方法（BPPS-MV， BPPS-VoR， BPPS-RP），还对比了等权重组合（Uniform）以及使用样本均值和AR模型预测（非贝叶斯）的传统方法 [40] * 主要结果： * 在美国市场，BPPS-MV和BPPS-VoR都表现出良好绩效，其中BPPS-VoR展示了最佳绩效并保持了高稳定性 [49] * 在日本市场，截至2017年6月左右，BPPS的收益与其他方法相比没有显著下降，表明BPS的状态转换运作良好 [50] * 整体上，BPPS方法在测试期内表现稳健，对集成中劣质模型不敏感 [5][49] * 但也观察到，BPPS-MV在日本市场末期出现显著绩效下降，且BPPS-MV与BPPS-VoR的绩效在2013-2014年间发生逆转，表明存在BPS未能完全捕捉的状态转换 [49][50] 结论 * 研究引入了一种基于BPS后验预测分布来优化投资组合的方法，以应对资产收益分布的不确定性 [51] * 通过使用动态线性模型整合多位专家预测，构建了能捕捉时间序列不确定性的预测分布，并在此基础上开发了三种主流投资组合策略 [52] * 股票价格数据的实验证实了该测试方法的有效性 [52]