林念龙 · 2021年09月10日
老师你好，
对于reverse optimization我有点不理解，
MVO是用历史的data估计的expected return、standard deviations、和corrlation求得一组最优的权重。
那reverse optimization为了解决highly sensitive to inputs的问题，用找到最优的权重、SD和corrlation去求得expected return，这样求出来的数字和用历史data估计出来的有什么不一样吗？
reverse optimization怎么解决highly sensitive to inputs这个问题？
pzqa015 · 2021年09月11日
嗨，从没放弃的小努力你好：
同学你好。
是不一样的。
High sensitive to inputs可以理解成为结果不稳定，很容易受输入变量（主要是expected return变动影响）。
我们做资产配置，是要基于对未来收益的预期来确定该类资产的配置比重。MVO方法是用历史收益作为未来收益的预期，显然是不靠谱的，比如，2005-2015年某个资产的平均return与2010-2020年某个资产的平均return很可能是两个不同的值，这样得到的资产配置方案也是截然不同的，这就是highly sensitive to inputs所表达的含义。
而reverse optimization用现在资产市值做权重，得到的expected return是implied expected return，市值反映市场预期，那么用市值得到的return也就反映了市场参与者对未来expected return的预期，与history data作为未来收益的预期相比，它更稳定，更准确。
一般会把reverse optimization与black litterman方法一起使用，在implied return的基础上，加上分析师自己的判断，比如市场implied return=3%，分析师认为应该加上0.5%，那么就用3.5%作为expected return，重新进行最优化过程，此时，由于输入的expected return更加稳定（来源于全市场预期），所以得到的结果也更加稳定，less senvitive to input。
----------------------------------------------加油吧，让我们一起遇见更好的自己！
