Research on Black-Litterman Index Enhancement Strategy——Based on the Ledoit-Wolf Compression Estimation Method to Optimize the CSI 500 Index Enhancement Strategy
Notice bibliographique
Résumé
Financial risks may often lead to significant losses. A reasonable capital management model can prevent financial risks and enhance financial services to the real economy. The Black-Litterman model can reduce risks through asset allocation. This paper uses the Black-Litterman model to construct an enhanced strategy applied to the CSI 500 Index, and selects the backtest from December 1, 2019 to December 1, 2021. Through the strategy backtest, it can be found that: whether it is considered or not Transaction costs, using analysts’ consensus target price as the input point of view of the BL model, can provide excess returns for the index enhancement strategy under relatively stable conditions within the sample interval, and improve the sharpness ratio, information ratio, maximum drawdown, etc. Within the risk-return parameters. In order to solve the problem of model instability and extreme values of configuration weights in the first step, this paper adjusts the covariance based on the Leodit-wolf compression estimation, thereby optimizing the exponential enhancement model. The backtest results showed that although the volatility and maximum drawdown of the optimized enhanced index model increased slightly, it showed a higher excess return rate and information ratio. Therefore, the BL model optimized based on the compression estimation method can make the model applicable to a wider range, and can be extended to large-scale assets and multi-asset allocation, so that investors have more choices in quantitative investment strategies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,069 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,006 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,002 | 0,000 |
| Science ouverte | 0,006 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».