多期投资组合优化

多期投资组合优化是均值-方差投资组合选择的动态扩展，它在多个未来时期同步决定投资组合权重序列和交易行为。它不再仅优化单期的预期收益与方差的权衡，而是最小化累计目标——通常为各期效用或风险惩罚的加权和——并受动态预算约束、交易成本及信息演变的限制。该框架明确刻画投资者偏好、市场预期和约束随时间的演变，使得构建的投资组合不仅在初始时点最优，也在后续的顺序再优化中保持最优。

该方法对静态的马科维茨优化进行了概括，克服了其在实际情境中的主要局限：能够考虑路径依赖（例如今日交易对明日机会集的影响）、容纳随时间变化的风险厌恶或损失规避，并支持计入交易及再平衡成本。多期模型对机构投资者尤为重要——如主权财富基金、养老计划和捐赠基金——它们管理的资产跨越多年长期视角，需要在满足中期流动性需求的同时实现长期增长目标。

多期优化基于三大相互关联的要素：状态变量、决策变量和目标函数。状态变量记录每一期可获得的信息集（例如当前持仓、市场价格、宏观经济指标以及投资者偏好）。决策变量包括各期的投资组合权重或资产头寸向量，亦可选取期间交易规模。目标函数将规划期内各期的效用或惩罚进行汇总，通常表现为期效用的期望总和减去乘以时间一致风险厌恶系数的风险惩罚项。

常见的形式采用递归效用结构，使得时点 t 的价值函数满足：

V_t(S_t) = max_{a_t} { U(S_t, a_t) + β · E[V_{t+1}(S_{t+1}) | S_t, a_t] }

其中 S_t 为时点 t 的状态，a_t 为行为（交易或投资组合选择），U 为单期效用，β∈(0,1] 为折现因子。在二次效用和正态收益假设下，问题化简为关于投资组合权重序列的凸优化，其中多期收益的协方差矩阵出现在风险项中。

实际中使用的多期优化有多种变体，区别在于对偏好、约束和收益动态的建模方式：

• 时间相加均值-方差：采用各期均值-方差目标的加总，风险厌恶系数保持不变。实现简便，但除非风险厌恶为零，否则通常不具备时间一致性。
• 时间一致的均值-方差：调整目标函数以在各期保持一致性，通常通过重新定义风险项，将未来价值函数的条件方差纳入其中。这样得到一个线性二次控制问题。
• 损失规避框架：引入参照依赖的偏好（例如前景理论），当相对于基准或初始财富的损失出现时，会产生更高的边际不快感。这在主权财富基金和养老金负债中尤为重要。
• 稳健多阶段优化：利用情景树或模糊集合对冲收益预测模型的不确定性，降低在高维环境下对估计误差的敏感性。

机构投资者采用多期限优化，将战略资产配置与战术再平衡以及负债驱动投资相协调。例如，某养老金基金可能设定三个期限：短期（1-2 年）用于现金流匹配和流动性，中期（3-5 年）用于风险预算和因子倾斜，长期（10 年以上）用于增长和通胀防护。优化器在各期共同选择交易，以最小化跟踪误差、换手率和缺口风险的加权和，并受限于资金比率约束和监管限制。

实现通常采用滚动视野或递减视野方案：在每个再平衡日，使用最新的预测和市场数据重新求解完整的多期计划，仅执行第一期的操作。此做法在保持可行性和适应性的同时，保留前瞻性规划的优势。根据问题规模和结构，常使用动态规划、随机规划或凸近似（例如 SDP 松弛）等数值方法。

考虑一个包含两个资产（股票和债券）的两期模型，初始财富为 W₀，且已知各期的收益均值 μ₁、μ₂ 以及协方差 Σ。交易成本为比例型：每单位权重变动的成本为 κ·|Δw|。投资者的目标是最大化：

E[U₁] + β·E[U₂]，其中 Uₜ = wₜ′μₜ − (γ/2)·wₜ′Σₜwₜ − κ·|wₜ − wₜ₋₁|

最优的第一期权重 w₀* 通过求解二次规划得到，在即时收益、风险以及未来交易承诺成本之间取得平衡。如果优化器预期股票在第二期会更具吸引力，它可能容忍适度的初始低配——因为再平衡成本将被更高的预期收益抵消——而单期优化器则会仅对第一期信号过度反应。

多期限优化带来若干实际风险：

• 预测误差放大：估计多期收益分布需要对序列相关性和波动率动态作出假设；微小误差在多个期限上累积，导致次优或不稳定的策略。
• 计算负担：求解大规模多阶段程序成本高昂；情景树分支过多时，在超过若干期后难以处理。
• 模型风险：时间一致的模型常假设二次效用或正态收益，这可能无法准确刻画尾部风险和偏度。
• 对历史协方差的过拟合：高维协方差估计噪声大，尤其是当期限超过历史数据的有效样本量时。

为缓解上述问题，实践者将多期限优化与正则化（如收缩、因子模型）、稳健情景生成以及针对不同收益路径的压力测试相结合。

• 在动态规划中忽视交易成本：将多期限优化视为一系列静态问题会导致换手率过高，绩效受损。
• 跨期使用不一致的风险厌恶度：在时间可加的均值-方差目标中使用固定的风险厌恶系数，会产生投资者事后想要放弃的策略，从而削弱方案的可信度。
• 忽视流动性约束：假设交易能够在预测价格下完全成交，可能导致再平衡计划不可行，尤其是对流动性差的资产。
• 期限与决策权不匹配：基金经理可能以 10 年期限进行优化，却每季度接受业绩评估，导致激励错位和频繁的计划偏离。

最佳实践是将期限长度和风险厌恶度校准至投资者实际的决策周期，并在样本外情景下将优化器的输出与简单基准（如买入持有、等权重）进行验证。