如果在下面的各种理论中有任何不懂的地方,欢迎移步百度 或者谷歌

风险资产的最优组合公式及说明

  1. 不管三七二十几 ,先给出公式:
    ω=[E(r1)rf]σ22[E(r2)rf]ρσ1σ2[E(r1)rf]σ22+[E(r2)rf]σ12[E(r1)rf+E(r2)rf]ρσ1σ2\omega=\dfrac{[E(r_1)-r_f]\sigma_2^2-[E(r_2)-r_f]\rho\sigma_1\sigma_2}{[E(r_1)-r_f]\sigma_2^2+[E(r_2)-r_f]\sigma_1^2-[E(r_1)-r_f+E(r_2)-r_f]\rho\sigma_1\sigma_2}
  2. 公式应用场景:
           首先,你要对Harry M. Markowitz(马科维兹)的均值——方差模型表示肯定。
           其次,你的资产组合仅仅包括两种风险资产和一种无风险资产,而且你要知道两种风险资产的期望收益率、风险和相关系数,还要知道无风险资产的预期收益率。
           那么,根据Harry M. Markowitz的资产组合理论,我们可以得到类似于下面的这幅图,图中曲线为两种风险资产的组合情况,曲线上不同的点代表了投资两种资产的不同比重;图中直线为无风险资产和风险资产相组合情况,其与纵坐标相交的点所代表的预期收益率为无风险利率(这里为6%)。
           如果经过点T的直线与曲线只交于一点T,则说明我们找到了最有效资产组合的风险资产组合,而T点对应的特定风险资产的组合称为风险资产的最优组合
           我们要做的就是找到这个T点,从而得到最有效资产组合,而找到T点也就意味着要知道两种资产组合在投资中分别所占的比重,即求ω\omega
    原因我就不解释了,能点进来的应该都懂,绝不是因为我懒得写

风险资产的最优组合公式证明

图片来源:《金融学(第二版)》(博迪著)

  1. 公式参数说明:
参数 说明
ω\omega 风险资产1在风险资产组合中的权重(投资比例)
E(r1)E(r_1) 风险资产1的预期收益率
E(r2)E(r_2) 风险资产2的预期收益率
rfr_f 无风险资产的预期收益率
σ1\sigma_1 风险资产1的风险(标准差)
σ2\sigma_2 风险资产2的风险(标准差)
ρ\rho 风险资产1和风险资产2的相关系数

风险资产的最优组合公式证明

       重中之重来了,大部分的书上和网络上都只有这个公式本身,却没有证明过程,主要因为证明过程非常恶心和繁琐 ,那我就在这里证明一下,不想自己动手又想知道证明过程的人千万不要错过。
       首先,让我们思考一个问题,当一条固定截距的直线与一个如图所示曲线相交时,切点处必然斜率最大,而斜率越大意味资产组合的风险每上升固定数值,可以得到的预期收益率的上升越大,那么在切点处我们可以获得最有效资产组合,即T点。
       在公式证明之前先引入三个没出现过的参数,E(rN)E(r_N)为N点(任意一点)代表的风险投资组合的预期收益率,σN\sigma_N为N点代表的风险投资组合的风险(标准差),kk为该直线的斜率。我们可以根据之前所学的知识得出:
E(rN)=ωE(r1)+(1ω)E(r2)E(r_N)=\omega E(r_1)+(1-\omega)E(r_2)
σN=ω2σ12+(1ω)2σ22+2ρσ1σ2ω(1ω)\sigma_N=\sqrt{\omega^2\sigma_1^2+(1-\omega)^2\sigma_2^2+2\rho\sigma_1\sigma_2\omega(1-\omega)}
       假设直线与曲线交于N点,则
k=E(rN)rfσN=ωE(r1)+(1ω)E(r2)rfω2σ12+(1ω)2σ22+2ρσ1σ2ω(1ω)k=\dfrac{E(r_N)-r_f}{\sigma_N}=\dfrac{\omega E(r_1)+(1-\omega)E(r_2)-r_f}{\sqrt{\omega^2\sigma_1^2+(1-\omega)^2\sigma_2^2+2\rho\sigma_1\sigma_2\omega(1-\omega)}}
       我们的目的是要使得kk的值最大,即
k=kmax=E(rT)rfσTk=k_{max}=\dfrac{E(r_T)-r_f}{\sigma_T}
       也就是说在kkω\omega求导后使得导函数结果为0的ω\omega就是T点的ω\omegakkω\omega的函数):
dkdω=[E(r1)E(r2)]ω2σ12+(1ω)2σ22+2ρσ1σ2ω(1ω)[ωE(r1)+(1ω)E(r2)rf][(σ12+σ222ρσ1σ2)ω+ρσ1σ2σ22]ω2σ12+(1ω)2σ22+2ρσ1σ2ω(1ω)ω2σ12+(1ω)2σ22+2ρσ1σ2ω(1ω)=0\scriptsize \dfrac{dk}{d\omega}=\dfrac{[E(r_1)-E(r_2)]\sqrt{\omega^2\sigma_1^2+(1-\omega)^2\sigma_2^2+2\rho\sigma_1\sigma_2\omega(1-\omega)}-\dfrac{[\omega E(r_1)+(1-\omega)E(r_2)-r_f][(\sigma_1^2+\sigma_2^2-2\rho\sigma_1\sigma_2)\omega+\rho\sigma_1\sigma_2-\sigma_2^2]}{\sqrt{\omega^2\sigma_1^2+(1-\omega)^2\sigma_2^2+2\rho\sigma_1\sigma_2\omega(1-\omega)}}}{\omega^2\sigma_1^2+(1-\omega)^2\sigma_2^2+2\rho\sigma_1\sigma_2\omega(1-\omega)}=0
\LARGE \Downarrow
[E(r1)E(r2)]ω2σ12+(1ω)2σ22+2ρσ1σ2ω(1ω)[ωE(r1)+(1ω)E(r2)rf][(σ12+σ222ρσ1σ2)ω+ρσ1σ2σ22]ω2σ12+(1ω)2σ22+2ρσ1σ2ω(1ω)=0\footnotesize [E(r_1)-E(r_2)]\sqrt{\omega^2\sigma_1^2+(1-\omega)^2\sigma_2^2+2\rho\sigma_1\sigma_2\omega(1-\omega)}-\dfrac{[\omega E(r_1)+(1-\omega)E(r_2)-r_f][(\sigma_1^2+\sigma_2^2-2\rho\sigma_1\sigma_2)\omega+\rho\sigma_1\sigma_2-\sigma_2^2]}{\sqrt{\omega^2\sigma_1^2+(1-\omega)^2\sigma_2^2+2\rho\sigma_1\sigma_2\omega(1-\omega)}}=0
\LARGE \Downarrow
[E(r1)E(r2)][(σ12+σ222ρσ1σ2)ω2+(2ρσ1σ22σ22)ω+σ22][(E(r1)E(r2))ω+E(r2)rf][(σ12+σ222ρσ1σ2)ω+ρσ1σ2σ22]=0\scriptsize [E(r_1)-E(r_2)][(\sigma_1^2+\sigma_2^2-2\rho\sigma_1\sigma_2)\omega^2+(2\rho\sigma_1\sigma_2-2\sigma_2^2)\omega+\sigma_2^2]-[(E(r_1)-E(r_2))\omega+E(r_2)-r_f][(\sigma_1^2+\sigma_2^2-2\rho\sigma_1\sigma_2)\omega+\rho\sigma_1\sigma_2-\sigma_2^2]=0
\LARGE \Downarrow
[E(r1)E(r2)](ρσ1σ2σ22)ω[E(r2)rf](σ12+σ222ρσ1σ2)ω+[E(r1)E(r2)]σ22[E(r2)rf](ρσ1σ2σ22)=0\footnotesize [E(r_1)-E(r_2)](\rho\sigma_1\sigma_2-\sigma_2^2)\omega-[E(r_2)-r_f](\sigma_1^2+\sigma_2^2-2\rho\sigma_1\sigma_2)\omega+[E(r_1)-E(r_2)]\sigma_2^2-[E(r_2)-r_f](\rho\sigma_1\sigma_2-\sigma_2^2)=0
\LARGE \Downarrow
[(E(r1)+E(r2)2rf)ρσ1σ2(E(r1)rf)σ22(E(r2)rf)σ12]ω+[E(r1)rf]σ22[E(r2)rf]ρσ1σ2=0[(E(r_1)+E(r_2)-2r_f)\rho\sigma_1\sigma_2-(E(r_1)-r_f)\sigma_2^2-(E(r_2)-r_f)\sigma_1^2]\omega+[E(r_1)-r_f]\sigma_2^2-[E(r_2)-r_f]\rho\sigma_1\sigma_2=0
\LARGE \Downarrow
ω=[E(r1)rf]σ22[E(r2)rf]ρσ1σ2[E(r1)rf]σ22+[E(r2)rf]σ12[E(r1)rf+E(r2)rf]ρσ1σ2\omega=\dfrac{[E(r_1)-r_f]\sigma_2^2-[E(r_2)-r_f]\rho\sigma_1\sigma_2}{[E(r_1)-r_f]\sigma_2^2+[E(r_2)-r_f]\sigma_1^2-[E(r_1)-r_f+E(r_2)-r_f]\rho\sigma_1\sigma_2}

相关文章: