• 经典Markowitz模型回顾及不足分析 [page::1][page::2]：

- 标准模型以方差最小化风险，目标和约束是二次规划，计算复杂较高。
- 引入了反向Markowitz（约束波动率最大值）和均方差同时优化模型以解决可行域限制。

• 线性投资组合优化模型介绍 [page::3][page::4]：

- Konno和Yamazaki提出基于均绝对偏差（MAD）的线性规划（LP）投资组合模型，用“上界变量”替代非线性目标，简化模型求解，提高计算速度，支持大规模股票池。
- 优点包含不依赖协方差矩阵，计算复杂度约为O(n)，更适合高维资产。

• 最大回撤（Max Drawdown, MD）模型新提法 [page::5][page::6]：

- 目标为最大化最小日收益（即最小化最大回撤），通过“上界变量”线性化转为LP模型，规模优于MAD模型，约有400连续变量、约450约束。
- 通过设置单只资产配置上限50%，保证资产组合中至少包含2只股票，提高多样性。

• MD模型扩展为带最小配置约束的MILP模型（模型6） [page::7]：

- 强制选定股票配置最低5%，从而最多保留20只股票，控制交易成本与过度分散。
- 引入二元变量表示选股，问题复杂度从LP到NP难，但得益于“Big-M”技巧及优化器结构，实际求解效率极高。
- 变量和约束数显著增加，分别为约400连续变量、400二元变量和1250约束。

• 数据及实证结果 [page::8]：

- 使用2020年2月至8月COVID-19期间标普500约400只股票日线收益数据，训练与测试集各占半年。
- 采用自定义启发式选择参数λ，寻找期望收益与波动率的最佳平衡。
- 模型内样本性能（表1）总结：
| 模型 | 预期日收益 | 日波动率 | 最大回撤 | 持仓数量 | 运行时间（秒） |
|-------------------|------------|----------|-----------|----------|---------------|
| Markowitz | 0.18% | 0.6% | -2.0% | 16 | 0.02 |
| 反向Markowitz | 0.59% | 1.0% | -3.2% | 13 | 0.02 |
| 同时优化模型 | 0.70% | 1.4% | -4.8% | 12 | 0.02 |
| MD模型 | 0.22% | 0.8% | -0.9% | 9 | 0.003 |
| MD（带约束MILP） | 0.23% | 0.8% | -0.9% | 5 | 0.0001 |
- 样本外性能（表2）总结：
| 模型 | 3个月收益 | 日均收益 | 日波动率 | 最大回撤 |
|-------------------|-----------|----------|----------|-----------|
| Markowitz | 5.7% | 0.09% | 1.7% | -6.1% |
| 反向Markowitz | 5.3% | 0.08% | 1.7% | -7.2% |
| 同时优化模型 | 5.2% | 0.08% | 2.1% | -8.6% |
| MD模型 | 9.4% | 0.15% | 2.3% | -3.3% |
| MD（带约束MILP） | 8.5% | 0.13% | 2.0% | -3.3% |

• 性能对比与分析 [page::9][page::12]：

- MILP变体是最快模型，较传统QP模型快200倍，较纯LP模型快25倍。
- MD模型在最大回撤控制上明显优于Markowitz及其变种，尤其在样本外数据表现卓越。
- 约束最小配置提升了模型鲁棒性，降低由于参数扰动导致的资产配置大幅变动风险。

• 参数敏感性分析及鲁棒性验证 [page::10][page::11]：

- 对协方差矩阵及收益率做微小随机扰动，评估模型配置变动幅度。
- 结果显示：
| 模型 | 平均配置变动幅度 |
|-------------------|----------------|
| Markowitz | 38.1% |
| 反向Markowitz | 39.8% |
| 同时优化模型 | 42.3% |
| 纯MD模型 | 47.1% |
| MD（带约束MILP） | 3.7% |
- 约束MILP模型显著提升鲁棒性，减少过拟合风险。

• 最终选股及组合分析 [page::11][page::12]：

- MILP模型首选股票为CLX(Clorox, 40.34%)、KR(Kroger, 28.92%)和TIF(Tiffany & Co., 20.73%)。
- 这些选股均符合COVID-19时期的基本面判断，如防疫用品、超市需求及受收购预期利好影响。

• 研究展望及总结 [page::12][page::13]：

- 研究展示基于最大回撤的线性组合优化简洁高效，具有高鲁棒性及良好性能表现。
- 建议后续探索多周期模型、机器学习与随机规划结合，以进一步提升未来表现。
- 强调模型需在更多股票样本与经济环境下重复检验以确保普适性和可靠性。

资深金融研究报告解构与深度分析报告

报告名称： Constrained Max Drawdown: a Fast and Robust Portfolio Optimization Approach
作者： Albert Dorador
发布机构： 威斯康辛大学麦迪逊统计系
主题： 投资组合优化理论与模型创新，特别是基于最大回撤的线性组合优化模型研究
发布日期： 报告未明示具体发布日，但数据涵盖2020年COVID-19时期

---

一、报告概览与核心观点概述

核心论点：
本论文旨在提出一种基于最大回撤（Max Drawdown, MD）的线性投资组合优化模型，作为经典马科维茨二次规划模型的替代方案。主要贡献为该线性模型在金融动荡时期（如COVID-19疫情期间）的优势表现——以最大回撤作为风险度量，相较于传统的方差（标准差）度量更能反映投资者的下行风险关注。此外，作者构建了该模型的混合整数线性规划（MILP）版本，实现了显著的运算速度提升（快约200倍）及稳健性增强。论文通过大量数值实验，验证了模型不仅计算效率高，而且在稳健性和收益风险平衡方面表现优越。

目标价与评级：
该报告为研究型论文，无涉及具体公司股票评级或目标价格。

主要信息传达：

• 传统马科维茨模型虽经典，但存在参数敏感性强、不易处理等缺陷。

- 基于最大回撤的模型更贴合风险厌恶客户的实际需求，尤其在金融危机中体现优势。

• MILP模型通过引入的最小持仓约束，有效减少过拟合，提升持仓组合的稳定性。

- 使用标普500约400支股票的疫情早期数据测验，验证新模型的表现显著优于传统模型。

---

二、逐节精读与要点剖析

2.1 Abstract与Introduction（引言与摘要）

• 摘要中，作者指明提出基于最大回撤的线性化投资组合优化方法，这种模型能在金融危机时期更有效地控制下行风险。核心是利用线性规划技术避免传统马科维茨模型的二次规划复杂性，显著加速解题时间（约快200倍）。[page::0]
• 引言部分回顾了投资组合优化的意义，指出Markowitz模型为现代投资理论基础，但其存在参数敏感及计算复杂性等问题。

- 引用Dai和Wang（2019）强调对模型稳健性提出关注。

• 介绍Konno和Yamazaki（1991）提出基于均值绝对偏差的线性化模型，是传统马科维茨模型近年来的有效替代。

- 本文通过引入基于最大回撤的新线性化方法，针对金融动荡期的风险管理提供新思路。[page::0][page::1]

2.2 数学模型（章节2）

2.2.1 Model 1：经典Markowitz模型

• 目标：最小化投资组合方差（风险），同时保证预期收益不低于指定水平。

- 优化问题形式为：二次规划(QP)

• 决策变量$xi$代表资产资金占比，约束保证资金总额100%，以及每类资产资金比例在0-100%区间。

- 对称阵正定的协方差矩阵保证了凸问题和强对偶性质，方便求解。

• 实际样本规模400资产、400约束。[page::1][page::2]

2.2.2 Model 2：“逆向”Markowitz模型

• 最大化投资组合预期收益，约束其风险指标（方差）不超过预设阈值。

- 目标函数为线性，但风险约束是二次的不等式，形成二次约束二次规划（QCQP）问题。

• 实际难度较大，且模型所需设置的风险上限过于主观。

- 同样约400资产和约束。[page::2]

2.2.3 Model 3：均值-方差同时优化

• 通过引入调节系数$\lambda$同时优化收益和方差，以避免Model 1、2中预期收益下限或风险上限设定不合理导致问题无解。

- 目标函数为负投资组合期望收益加权方差项，仍为二次规划。

• 需要合理确定$\lambda$，报告用后续章节的启发式方法自动选择此参数。

- 证明了带有非负约束时，$L1$规范化对该模型无效。

• 模型规模与前两者相当。[page::2][page::3]

2.2.4 Model 4：均值绝对偏差模型（Konno & Yamazaki 1991）

• 基于用均值绝对偏差（MAD）替代标准差，完成优化目标线性化，将QP问题转化为LP模型。

- 使用“epigraph trick”：引入变量替代非线性绝对值函数，转化为线性约束和目标。

• 优点包括：

- 功能约束数量仅依赖于样本天数$T$，而非资产数量$n$，支持更大资产池。
- 最优解在允许卖空时，非零资产数量最多为$2T+2$，更易于稀疏持有。
- 不需要计算协方差矩阵，简化数据管理与更新。

• 缺点在于可能倾向于持仓集中，因为忽略了资产间的协方差信息。

- 估计模型具有约450变量和520约束。[page::3][page::4][page::5]

2.2.5 Model 5：最大回撤线性化模型（本文核心创新）

• 目标: 最大化投资组合在任一交易日的最小回报值（等价于最小化最大回撤的绝对值）。

- 使用“epigraph trick”，通过设立变量$y$且使$y\leq$每日投资组合收益，实现线性规划。

• 设限制单只资产最大资金比50%，避免极端单一持仓。

- 优点是关注金融危机时期尤其重要的最大跌幅风险，而非传统标准差指标；风险衡量更务实。

• 约400变量，450约束，约束数量不依赖于资产数，便于扩展。

- 提供标准形式的LP表达，方便求解器实现。[page::5][page::6]

2.2.6 Model 6：带最小持仓约束的最大回撤模型（MILP版本）

• 引入二进制变量$zi$，实现逻辑约束$xi \geq 5\% \times zi$，保证选定股票持仓不低于5%，从而控制非零持仓股票数量最多为20只。

- 通过“大M”技巧（$xi \leq 0.5 zi$）确保$zi$变量正确反映资产是否入选。

• 模型转变为混合整数线性规划（MILP），规模从400变量增至约800变量，加上约1250约束。

- 理论问题复杂度极高（NP-complete级别），但实际用Gurobi求解器结合预处理和剪枝策略，求解效率大幅提升，甚至优于LP版本。

• 结合了最大回撤控制与资产稀疏选择，实现性能与实用性的平衡。[page::7]

---

三、图表深度解读

表1：In-sample模型表现比较（每日数据）

| 模型 | 预期收益 | 标准差 | 最大回撤 | 持仓资产数 | 计算时间(s) |
|--------------------|----------|--------|----------|------------|-------------|
| Markowitz | 0.18% | 0.6% | -2.0% | 16 | 0.02 |
| Markowitz (reverse)| 0.59% | 1.0% | -3.2% | 13 | 0.02 |
| Simultaneous | 0.70% | 1.4% | -4.8% | 12 | 0.02 |
| MD (最大回撤) | 0.22% | 0.8% | -0.9% | 9 | 0.003 |
| MD (constrained) | 0.23% | 0.8% | -0.9% | 5 | 0.0001 |

• 分析：

- 标准马科维茨模型对应最大回撤明显大于MD模型（约-2.0% vs -0.9%），说明最大回撤模型更有效控制下行风险。
- 反向Markowitz和同时优化模型虽提高了预期收益，但标准差和最大回撤也明显上升，风险回报比未显著改善。
- MD模型尤其是带约束的MILP版本在标准差仅略高于Markowitz模型的基础上，大幅减少了最大回撤，并且持仓更加集中（5只股票），计算速度也最快。[page::8]

表2：Out-of-sample模型表现比较（三个月区间）

| 模型 | 三个月收益 | 日均收益 | 标准差 | 最大回撤 |
|--------------------|-----------|----------|--------|----------|
| Markowitz | 5.7% | 0.09% | 1.7% | -6.1% |
| Markowitz (reverse)| 5.3% | 0.08% | 1.7% | -7.2% |
| Simultaneous | 5.2% | 0.08% | 2.1% | -8.6% |
| MD | 9.4% | 0.15% | 2.3% | -3.3% |
| MD (constrained) | 8.5% | 0.13% | 2.0% | -3.3% |

• 解读：

- MD及其约束版本出色地实现了更高的长期收益（约9%对比传统模型5%多），且最大回撤显著更小，表明其真正对风险控制有益，且具有更强的稳健性。
- 虽然标准差略高于传统模型，这与投资约束和组合收益有所权衡。

• 支持结论：MD模型更适合实战中的风险调整收益优化，抗击市场波动能力更强。[page::8]

表3：参数扰动后的分配变化敏感性测试

| 模型 | 平均绝对分配变化率 |
|--------------------|--------------------|
| Markowitz | 38.1% |
| Markowitz (reverse)| 39.8% |
| Simultaneous | 42.3% |
| MD | 47.1% |
| MD (constrained) | 3.7% |

• 解释：

- 通过给收益返回添加随机扰动，比较扰动前后投资比例的变化，衡量方案的稳健性。
- 传统模型与无约束MD方案高度敏感（近40%变化），存在过度拟合的迹象。
- 而带5%最低持仓约束的MD模型敏感性大幅降低到3.7%，呈现出极高的稳定性和稳健性，特别值得注意。
- 这验证了作者提出的约束策略有效地减少了过拟合风险，改善了实用性。[page::11]

---

四、估值分析

本报告不涉及单一股票或公司的估值，而是聚焦投资组合优化模型的设计、算法效率和风险收益表现。
常见的估值分析手段—如贴现现金流、可比估值倍数等—未被引用。
核心“估值”在此涉及模型的风险调整收益表现及最优资产权重配置，特别关注最大回撤作为风险度量的效用。

---

五、风险因素评估

报告识别并分析了如下风险因素：

• 参数不确定性风险：包括预期收益向量、协方差矩阵估计误差。扰动实验显示未经约束模型极易受参数扰动影响，配置剧烈波动。

- 过拟合风险：传统模型尤其易受数据拟合过度影响，导致对未来表现不足够稳健。

• 计算复杂度风险：MILP问题属NP难题，初看难以规模化求解，但通过合理“大M”值选择和现代求解器算法，可实现快速收敛。

- 模型假设风险：模型默认收益分布假设固定，未来市场结构变化可能导致模型预期失效。

针对上述风险，作者提出缓解策略：

• 设计MILP引入最小持仓限制，有效避免参数扰动下的极端分配。

- 使用现代优化器和预处理机制缓解MILP求解时间风险。

• 文章承认未来可进一步引入随机规划或机器学习提升预测与鲁棒性。

---

六、批判性视角与细微差别

• 参数敏感性：作者详细分析了模型对协方差及期望收益的敏感性，坦率承认传统模型不够稳健，MD模型纯形式更极端，但添约束后显优势，说明直觉上约束的是降低过拟合。

- 模型选择偏好：作者偏好MD模型，特别是MILP版本，理据充分，但对其他模型短板强调较多，表现出一定倾向性，需结合多轮实证验证。

• 最小持仓设定的合理性：5%最低持仓的硬约束增强稳健性，但在实际投资中可能限制灵活调仓，且非最佳阈值需结合实际情况调整。

- 数据选取及时间窗口局限：仅选取2020年初疫情市场作为样本，经济周期和市场结构特殊，结论可能具有时点依赖性，未来研究应拓展普适性。

• 图表局限性：报告中未展示资产组合具体收益分布、峰度、偏度等，未来可加深模型对极值风险的洞察。

- $L1$正则化效果反例：证明非允许卖空时$L1$正则化无效，一定程度挑战部分文献结论，值得深入探讨。

---

七、结论性综合

本文提供了对投资组合优化领域一个重要创新的深入探讨与方法论贡献：提出了基于最大回撤风险度量的线性及混合整数线性模型，该模型不仅在疫情等市场剧烈波动时期提供更符合投资者实际风险偏好的解决方案，而且计算效率相较经典马科维茨模型得到数百倍提升。

通过对比传统经典模型与提出的MD模型的样本内及样本外表现，在标准差风险略增的前提下，MD模型显著降低最大回撤，提升了三个月收益率（9% vs 5%）和风险调整回报，且更稳健，敏感度测试表明MILP约束版本通过减少微弱配置带来的噪声，有效避免过拟合。

图表1和图表2完整揭示了该创新模型实际性能优势，表3进一步佐证了其在参数扰动下的优越稳健性。作者合理解释了最新求解器优势、模型结构特点对提升求解速度的贡献。

结合直观解释（如疫情期间MD模型选出的股票组合合理性）和敏感性分析，报告为强化投资组合风险管理提供了切实可行的新途径。未来扩展多期投资、机器学习辅助参数预测和随机规划建模可望进一步完善研究体系。

总之，本文提出的最大回撤的混合整数线性规划投资组合模型在实践中具有潜在革命性意义，尤其适合需要快速、稳健反应极端风险的投资管理场景。

---

参考文献

• Markowitz, H. (1952, 1959)

- Konno & Yamazaki (1991)

• Dai & Wang (2019)

- Chekhlov et al. (2004)

• Mathews (1896)

---

溯源标记全部启用，文中各处引述均标注对应页码。

报告