关于解决MVO过度集中配置的方法

嗨，从没放弃的小努力你好：

谢谢，所以还是请问如果问到解决过度配置缺陷，同时出现reverse MVO和MSC的时候，还是要选择reverse MVO是吗？

是的，解决路径依赖问题就选MSC.

----------------------------------------------
努力的时光都是限量版，加油！

嗨，爱思考的PZer你好：

老师您好，三级的资产配置里面，关于MVO过度集中配置的缺陷，既可以有reverse MVO，也可以有Monte Carlo Simulation。有一套题目问如果解决MVO过度集中配置的缺陷，同时出现了这两个选项，我选了Monte Carlo Simulation，结果答案是reverse MVO。请问Monte Carlo Simulation也不一定算错误答案吧？考试时候应该如何分别？感谢！

MSC本身是一种统计方法，由计算机按照设定的递推式发射随机数，产生不同的结果，比如，我们假定某只股票明天的价格Pt=Pt-1+ε，ε是随机扰动项，那么我们可以根据计算机程序发射10000个随机数，就得到10000个明天股票价格Pt，对这10000个价格可以画分布，求均值，求标准差等等。其实MSC我们学衍生品也是用过的，模拟布朗运动。

有MVO方法的缺点，我们引出了MSC方法与resample方法。

MSC方法是解决MVO的缺陷，single period framework，的一种工具。

因为我们用传统MVO方法，默认只能得到未来一期的资产配置方案（wi)，进而可以得到未来一期的组合收益（∑wiE(Ri))。二用MSC方法可以设定比如第3年末的组合收益公式Rp=△cash flow1+tax1+△cash flow2+tax1+△cash flow2+tax3+ε，这个公式中的△cash flow,tax，ε都是随机数，那么就可以用计算机来模拟这些随机数的分布，进而得到Rp的分布，这就解决了single period的问题或者说path dependent的问题（最终结果依赖期间的现金流以及tax等等）。

而反向最优化过程是以市值权重作为输入变量，再加上从历史数据中估计得到的ρ和σ，得到当前市场的implied return，也就是E(R)，旨在解决MVO中用历史数据估计得出的E(R)不靠谱的问题。

----------------------------------------------
加油吧，让我们一起遇见更好的自己！