下载掌阅APP，畅读海量书库
立即打开
假设物流企业供应链金融实践中，质物资产分为
m
项，其权重为
若银行采取保守型的投资策略，则以追求风险最小为前提，该策略下的最优质物组合，即最小风险质物组合的目标函数如下：
式中，
为质物组合长期风险的测度指标（如CVaR，标准差等），1
m
为
m
维的全1矩阵。而
w
≥0，说明质物的权重均大于0，即资产均为多头头寸，符合当前供应链金融实践，暂不考虑银行在期货市场持有空头头寸实现套期保值的情形。
然而物流企业在开展供应链金融业务中，采取极为保守的被动投资策略并不现实，其往往采取积极型投资策略，在此以单位风险的最大超额收益建立目标函数：
其中，
为质物组合收益率，
r
f
为无风险收益率，在此设定为银行同期存款利率，即要求质物组合的收益率至少应为银行无风险收益率。事实上，在均值方差优化框架下，该目标函数即为最大夏普比率（Sharp Ratio）的投资组合；同理，对于非正态分布，将测度风险指标替换为能够准确衡量组合下侧风险（Downside Risk）的CVaR更为合理，此时所求目标函数变为改进的夏普比率，在此，我们将其定义为CVaR Ratio（实证研究中，简写为CR）。
如引言所述，被巴塞尔委员会以及中国银监会等监管层视为风险测度基准的VaR由于不满足Artzner（1999）提出的风险一致性测度中的次可加性，在非正态等一般性分布中难以实现风险的合理分散，而且难以准确地刻画尾部损失。作为对VaR的一种修正，CVaR可以被定义为资产（组合）损失 L 超过VaR值的条件期望，即 E [ L | L > VaR |]，它对资产尾部损失给出了更为确切的估计。鉴于上述分析，本章以比VaR更满足风险一致性测度的CVaR作为衡量质物组合尾部风险的基准，建立质物组合优化的均值CVaR框架。
均值CVaR框架下，质物组合的长期风险测度指标
。参照Rockafellar & Uryasey（2002）以及Zhu et al（2009）的研究，假设质物组合内
m
项资产权重
，则可令
，即质物组合长期收益率的负值表示其损失，
p
（
x
l
）为质物组合长期收益率
x
l
的概率密度函数，对于既定的质物组合权重
w
，质物组合的损失
f
（
w
，
x
l
）不超过某一阈值
α
的概率可以表示为：
因此，置信水平 q 下，质物组合的VaR可以表示为：
相应的条件风险值CVaR可以表示为：
由于直接按照上述定义，计算CVaR非常困难，Rockafellar和Uryasey通过引入某一特殊函数，实现CVaR的计算：
式中，
，据此可以得到
。
均值方差框架中，
为组合内资产收益率的协方差矩阵。需要指出的是，此时的均值方差模型并非基于历史收益率的均值和方差，而是通过ARMA-EGARCH-EVT模型以及多元t-Copula函数模拟未来的收益率情景进行质物组合的优化，因而，此时均值方差模型为改良的Markowitz均值方差模型。当质物组合的收益率服从正态分布时，该优化框架下所得质物组合的有效前沿与均值CVaR框架一致（Krokhmal et al，2002）。