一种增强型指数追踪模型设计及应用 · １０７ ·



一种增强型指数追踪模型设计及应用
①

马景义 　 单璐琪 　 方 　 彤
（中央财经大学统计与数学学院 ）

研究目标：构建了可以调节追踪误差和超额收益的增强型指数追踪模型，并给
出了广义最小角度回归算法 （
ＧＬＡＲＳ），用以计算调节参数作用下模型解的折中路
径。研究方法：通过模拟数据和五组世界主要股票市场指数的历史数据，对本文提
出的模型和算法与同类模型和算法进 行 了 性 能 比 较； 同 时 追 踪 上 证 ５０ 指 数 构 建 若
干稀疏且稳定的资产组合模型，通过信息比率等指标对投资组合进行评价。研究发
现：本文构建的 模 型 可 用 以 构 造 权 衡 追 踪 效 果 和 超 额 收 益， 且 稀 疏 的 资 产 组 合，
ＧＬＡＲＳ 算法相对传 统 预 设 参 数 的 算 法 具 有 良 好 的 求 解 能 力 和 计 算 速 度 。 研 究 创
新：引入调节参数平衡追踪效果和超额收益，并针对中国股票市场的特点，在增强
型指数追踪模型施加非负约束；ＧＬＡＲＳ 算法可遍历所有折中意 义 下 的 最 优 解。 研
究价值：本文提出的增强型指数追踪模型在国内具有较强适用性 ，在保证资产稀疏
性的前提下可以得到超额收益，同时丰富了目前投资组合中的方法论研究。
关键词 　 指数追踪 　 折中路径 　 广义最小角度回归 　 资产稀疏性
中图分类号 　Ｆ２２４．
０　　 文献标识码 　Ａ
DOI:10.13653/j.cnki.jqte.2017.05.007

一、引言与文献述评

指数追踪指通过追踪股票市场基准指 数 收 益， 构 建 投 资 组 合， 是 一 种 被 动 型 投 资 策 略，
在金融实践中有着广泛的应用。基于指数追踪构建的投资组合即指数型基金，从第一只指数
型基金 ＥＴＦ－ＳＰＤＲ 诞生至今，ＥＴＦ （交 易 型 开 放 式 指 数 基 金 ） 已 经 具 有 约 ４０ 年 的 发 展 历
史，形成了多种以追踪指数为基础的产品。自 ２０ 世纪 ７０ 年代以来，指数型基金在不同市场
经济体成倍增长，如美国、英 国、 加 拿 大 和 澳 大 利 亚 等， 从 发 行 数 量 和 规 模 来 看，ＥＴＦ 已
成为全球金融市场 中 重 要 的 投 资 工 具。 中 国 的 指 数 型 基 金 虽 然 起 步 较 晚， 但 发 展 迅 速。 自
２００４ 年第一只指数型基金 ５０ＥＴＦ 发 行 以 来， 中 国 指 数 型 基 金 快 速 发 展， 至 ２０１５ 年 其 规 模
已经超过 ４０００ 亿元，产品形式覆盖分级基金、ＥＴＦ、开放式指数型基金等。
最简单的追踪指数方 法 是 完 全 复 制 指 数， 即 投 资 组 合 权 重 与 指 数 成 分 股 的 权 重 完 全 相
同。完全复制指数的投资策略存在以下不足：一 是 购 买 全 部 成 分 股 票 涉 及 较 高 的 交 易 成 本；
二是某些权重较小的股票建仓成本相对较大；三是持仓股票随指数调整而变化，调仓成本较
高。鉴于完全复制方法在实践中存在诸多不足，许多指数型基金特别是目标指数成分股数目
较多的基金，会选择不完全复制法，即持有部分成分股票。关于不完全指数追踪问题，国内

① 本文获得国家自然科学基金项目 （
７１４０３３１０）、北京 市 社 会 科 学 基 金 项 目 （
１６ＬＪＢ００５）、 中 央 财 经 大 学 青 年 科 研
创新团队支持计划、中央高校基本科研业务经费、中央财经大学博士研究生重点选题支持计划的资助 。
 · １０８ · 《数量经济技术经济研究》２０１７ 年第 ５ 期

外学者已经进行了较为详细的研究。以经典的均值—方差模型为切入点，Ｒｏ ｌ（
ｌ １９９２） 以追
踪误差 （投资组合的收益率与基准指 数 的 收 益 率 之 差 平 方 和） 最 小 化 为 目 标 函 数；Ａｌｅｘａｎ－
ｒ和 Ｂａｐ
ｄｅ ｔｉ
ｓｔａ（ ２０１０） 在 此 基 础 上 提 出 了 指 数 追 踪 问 题 的 新 评 价 标 准： 追 踪 边 缘 的 曲 率。
Ｇｏｔｏｈ 和 Ｔａｋｅｄａ （２０１１） 就范数约束和 惩 罚 对 投 资 组 合 选 择 问 题 进 行 研 究， 研 究 发 现 范 数
约束可被看作与收益向量有关的稳健约束。另外，指数追踪问题已扩展到多期均值—方差模
型 （
Ｌｉ和 Ｎｇ，２０００）、稳健指数追踪模型 （ Ｃｏｓｔａ和 Ｐａｉｖａ，２００２），以及跨期资产组合选择
问题 Ｋｉｍ 等，２０１３ 等。国 内 学 者 也 针 对 不 完 全 指 数 追 踪 问 题 进 行 了 一 系 列 研 究 。 梁 斌
（ ）
等 （
２０１１） 考虑到中国 Ａ 股市场虽然有融券做空机制，但发展一直都很缓慢，对 ＬＡＳＳＯ 模
型进行了改进，提出非负 ＬＡＳＳＯ 模型，用以 追 踪 指 数， 实 证 结 果 表 明 非 负 ＬＡＳＳＯ 模 型 表
现较好。刘睿智和周勇 （
２０１５） 将自适应 ＬＡＳＳＯ 变量选择方法运用于指数追踪模型中并得
到较好追踪效果。苏治等 （２０１６） 基于规则化方法构建稀疏指数追踪模型，发现规则化方法
提高了资产稀疏性并具有较好的外推预测效果。
传统指数追踪问题仅以复制指数收益为目标，导致指数型基金在熊市或震荡市期间表现
不佳，基金经理试图采用主动型投资策略实现相对于指数的超额收益 。但历史数据显示，大
多数主动型管理基金并没有跑赢大盘的长期收益。由于主动型投资的缺点，研究人员正在寻
求一种替代方法来构建一个被动管理的增强型指数投资组合 。在这一背景下，增强型指数追
踪问题被提出。增强型指数追踪模型是对传统指数追踪模型的扩展，目的在于获得比基准指
数更高的收益 （超额收益），同时最大限度减少偏离目 标 指 数 （追 踪 误 差） 的 风 险。Ｂｅ
ａｓｌ
ｅｙ
等 （
２００３） 在评价指数追踪模型效果时，使用超额收益概念，认为同等情况下超额收益高的
指数追踪模型更优，并提出 将 这 个 多 目 标 规 划 问 题 通 过 线 性 加 权 转 化 为 单 目 标 模 型 进 行 求
解，得到折中追踪误差和超额收益的增 强 型 指 数 追 踪 目 标 函 数 （追 踪 误 差 由 误 差 平 方 和 衡
量，超额收益由投资期的累计收益衡量）。 Ｗｕ 等 （ ｚ和 Ｂｅ
２００７）、Ｃａｎａｋｇｏ ａｓｅｙ （
ｌ ２００９），以
及Ｌｉ等 （
２０１１），均继承了这种目标函数的构建形式，区别在于衡量追踪误差或超额收益的
形式不同，以及选用了不同的约束形式。 Ｗｕ 等 （
２００７） 在经典的目标函数基础上增加了限
制资产的 权 重 约 束， 发 现 增 加 的 约 束 有 利 于 控 制 投 资 组 合 的 风 险。Ｃａｎａｋｇｏ
ｚ 和 Ｂｅ
ａｓｌ
ｅｙ
（ ｉ等 （
２００９）、Ｌ ２０１１） 提出了更适 用 于 金 融 市 场 的 约 束， 即 对 投 资 组 合 中 资 产 数 量 进 行 限
制，实证发现限制资产数量的投资组合相比不限制的组合可以得到更稳定的超额收益 。二者
的主要区别在于，求解选择的算法不同。Ｃａｎａｋｇｏ ｚ和 Ｂｅａ
ｓｌ ２００９） 使用混合型整数规划
ｅｙ （
算法 （ＭＩＰ），Ｌ
ｉ等 （
２０１１） 使用免疫记忆克隆 算 法 （ＭＡＣ）。 与 上 述 研 究 略 有 区 别 的 还 有
Ｋｏｓｈ
ｉｚｕｋａ 等 （
２００９） 给出的方法，具体为直接构建凸优化模型与线性目标函数和二次约束
的增强型指数追踪，其目标是直接追踪一个伪指数，这个伪指数是在基准指数收益率上增加
α 构建的新指数，而优于基 准 的α 是 一 个 事 先 给 定， 通 常 很 小 的 常 量， 可 以 证 明 Ｋｏｓｈ
ｉｚｕｋａ
等 （２００９） 提出的目标函数可以转化为 Ｂｅ ａｓｅｙ 等 （
ｌ ２００３） 提出的经典模型。
国内对于增强型指数追 踪 问 题 研 究 则 相 对 较 少。 巴 曙 松 和 汪 鑫 （
２０１１） 选 用 了 Ｃ－ＴＥＶ
模型，在传统的追踪误差和超额收益的目标函数基础上增加了总风险约束 ，使用数值解方法
求解，发现无卖空时 Ｃ－ＴＥＶ 模型获得超额收益的能力减退，积极型管理有 “退 化” 成 消 极
型管理的 迹 象。 马 景 义 和 肖 佳 宁 （
２０１５） 将 超 额 收 益 以 市 场 景 气 指 数 衡 量， 应 用 到 非 负
ＬＡＳＳＯ 模型中，得到了含景气参数 的 非 负 ＬＡＳＳＯ 指 数 追 踪 算 法， 发 现 通 过 根 据 不 同 时 期
的经济状况调整不同时期的双目标权重 （景气参数），可以增强获得超额收益的能力。
上述关于增强型指数追踪模型的代表性研究，均考虑了追踪效果和超额收益的多目标优
 一种增强型指数追踪模型设计及应用 · １０９ ·

化问题，但在具体模型设定和模型参数求解中，存在以下不足。首先，因为约束较多，部分
研究的算 法 考 虑 了 参 数 的 主 观 性 设 定， 即 使 适 用 性 较 强 的 方 法， 如 Ｃａｎａｋｇｏ
ｚ 和 Ｂｅ
ａｓｌ
ｅｙ
（ ｉ等 （
２００９）、Ｌ ２０１１），也需限定股票只数，面临无法得到折中追踪效果和超额收益这两 个
目标的所有可能解，同时因计算复杂度较高导致计算量巨大。其次，也有研究为了优化问题
求解方便，考虑减少约束条件，如马景义和 肖 佳 宁 （
２０１５）， 没 有 考 虑 满 仓 约 束。 考 虑 到 目
前增强型指数追踪模型研究的不足，本文提出一种新的增强型指数追踪模型设计，在这个模
型设计下，可以构造算法，遍历折中追踪效果和超额收益这两个目标的所有模型解 。

二、模型设计

增强型指数追踪是一个双目标优化问题。一方面，投资组合要追踪一个基准指数；另一
方面，投资组合要获得超额收益。本文将引入调节参数 α， 构建可以折中追踪效果和超额收
益的增强性指数组合。
１．追踪误差与超额收益
追踪误差，即投资组合收益率与指数收益率之差的平方和，可以用来衡量投资组合对指数
的追踪效果，具体定义如下。记基准指数及其 ｐ 个成分股在第ｔ日的价格分别为 ｐｔ
Ｉ
，ｐｔ１ ，…，
ｔ＝０，…，ｎ ），那么，股票指数及其 ｐ 个成分股在第ｔ日的对数收益分别为：
ｐｔｐ （
Ｉ Ｉ
ｏｇ（
ｙｔ ＝ｌ ｐｔ／ｐｔ－１）　　ｘｔｉ ＝ｌ
ｏｇ（
ｐｔｉ／ｐｔ－１，ｉ）　　ｉ ＝１，…ｐ；
ｔ ＝１，…，
ｎ （
１）

追踪误差为：
ｎ ｐ
２

∑ （ｙ － ∑βｘ
ｔ＝１
ｔ
ｉ＝１
ｉ ｔ
ｉ ） （
２）

其中，βｉ 为投资组合中第ｉ 只股票的权重，或者投资组合系数，ｉ＝１，…，ｐ。

定义 Ｘｉ＝（
ｘ１ｉ，…，ｘｎｉ）
Ｔ
，Ｘ＝（
Ｘ１，…，Ｘｐ）
Ｔ
，Ｙ＝ （
ｙ１，…，ｙｎ），β＝ （
Ｔ
β１，…，βｐ），那
Ｔ

么，追踪误差的矩阵表示为：

ＴＥ（
β）＝ （
Ｙ － Ｘβ）
Ｔ
（
Ｙ － Ｘβ） （
３）

超额收益是目标指数收益与投资组合收益之间的差额，衡量投资组合得到超额收益的能
力，其定义为：
ｎ ｐ

∑ （∑βｉｘｔｉ －ｙｔ）
ｔ＝１ ｉ＝１
（
４）

比较投资组合收益与指数收益之间的差异，即衡量投资组合的收益表现是否优于目标指
数的收益，也即投资组合超出指数部分的超额收益。
记１ｎ 为ｎ 维，且元素均为 １ 的列向量，超额收益相反数的矩阵可以表示为：

ＥＲ（
β）＝ （
Ｙ － Ｘβ）
Ｔ
１ｎ （
５）

β） 越小，超额收益越大。
ＥＲ （
２．含调节参数的增强型指数追踪目标函数
增强型指数追踪问题是追踪误 差 和 超 额 收 益 之 间 的 折 中。Ｂｅ
ａｓｅｙ 等 （
ｌ ２００３） 提 出 目 标
函数为：
· １１０ · 《数量经济技术经济研究》２０１７ 年第 ５ 期

Ｊ（
β）＝ρＴＥ（
β）＋ξＥＲ（
β） （
６）

其中，ρ 和ξ 为权重参数，ρ＞０，ξ≥０。追踪误差和超额收益之间的折中取决于ξ／
ρ。 随
着ξ／
ρ 由大到小变化可以定义三种投资策略的选择：
选择 １：ξ／
ρ→＋ !，获得高于基准指数的平均回报率 （主动管理）；
选择 ２：ξ／
ρ＞０ 有正的超额收益，但同时追踪基准指数 （增强型指数追踪）；
选择 ３：ξ／
ρ＝０，复制的一个基准指标收益 （指数追踪）。
本文定义调节参 数 α＝ξ／ （
２ρ）， 代 表 对 两 种 目 标 函 数 的 折 中，α 值 没 有 明 确 的 经 济 含
义，但可以与不同的投资策略相联系：
策略 １：较大的调节参数，意味着给予超额收益目标函数更多的权重；
策略 ２：一个较小的调节参数，意味着给追踪误差更多的权重；
策略 ３：一个接近零的调节参数，意味着主要考虑追踪误差。
引入调节参数α 后，增强型指数追踪的目标函数可以表示为：

１
Ｌ（
β）＝ ２ （
Ｙ － Ｘβ）
Ｔ
（
Ｙ － Ｘβ）＋α （
Ｙ － Ｘβ）
Ｔ
１ｎ （
７）

不同的α，代表不同的折中方案。当α 较大的时候，超额收益对模型影响较 大， 模 型 会
倾向于选出收益较高的股票进入投资组合；而α 相对较小时，模型会更多地选择拟合目标指
数较好的股票构建投资组合。从投资者偏好的角度上来说，风险偏好型投资者会选择较大的
α，而风险厌恶型投资者会选择较小α 对应的投资组合。
３．增强型指数追踪模型设计
现实金融市场中，真实投资组合的构建会 有 一 定 的 限 制。 针 对 中 国 股 票 市 场 实 际 情 况，
本文给出两条约束：第 一 是 满 仓 约 束， 即 投 资 组 合 权 重 和 为 １， 即 系 数 向 量 各 分 量 和 为 １；
第二是非做空约束，本文设定股票的权重不能小于 ０。具体约束条件为：
ｐ

∑β ＝１　　β ≥ ０　　ｉ ＝１，２，…，ｐ

ｉ＝１
ｉ ｉ （
８）

于是，增强型指数追踪模型为：

１（
ｎ　Ｌ（
ｍｉ β）＝ Ｙ － Ｘβ）
Ｔ
（
Ｙ － Ｘβ）＋α（
Ｙ － Ｘβ）
Ｔ１ｎ
２ （
９）
ｔ．　１ｐＴβ ＝１　　βｉ ≥ ０　　ｉ ＝１，
ｓ． ２，…，ｐ

记 ｖｉ＝ＸｉＴ １ｎ ，式 （
９） 可以被表示为：

ｐ
１（
ｎ　Ｌ（
ｍｉ β）＝ Ｙ － Ｘβ）
Ｔ
（
Ｙ － Ｘβ）－α∑ｖｉ｜βｉ｜
２ ｉ＝１

ｔ．　１ｐＴβ ＝１　　βｉ ≥ ０　　ｉ ＝１，

ｓ． ２，…，
ｐ

这说明，式 （ ９） 对 应 的 问 题 是 增 加 了 约 束 条 件 的 自 适 应 ＬＡＳＳＯ 问 题 （
Ｚｏｕ，２００６）。
与自适应 ＬＡＳＳＯ 类似，式 （ ９） 的解将具有稀疏性，进而有助于获得稀疏资产组合。

三、模型系数求解

增强型指数追踪模型系数的求解是有约束的 条 件 优 化 问 题。 记 式 （
９） 表 示 的 优 化 问 题
 一种增强型指数追踪模型设计及应用 · １１１ ·

的解为＾
β，即模型系数的解是随调节参数α 变化的函 数， 按 照 统 计 学 术 语，β （
＾ α） 又 被 称 为
路径。不同的α 代表不同折 中 方 案， 所 以， 本 文 将＾ α） 称 为 模 型 系 数 解 的 折 中 路 径。 本
β （
文将借鉴最小角度回归方 法 （Ｅｆ
ｒｏｎ 等，２００４）， 通 过 定 义 广 义 等 角 度 向 量， 提 出 广 义 最 小
角度回归算法，这个算法可以完全刻画出＾ β（α）。
＾ α） 的一般特征和基本性质
β（
１．
式 （９） 的拉格朗日函数为：

１
Ｌ（
β）＝ ２ （
Ｙ － Ｘβ）
Ｔ
（
Ｙ － Ｘβ）＋α （
Ｙ － Ｘβ）
Ｔ
１ｎ ＋λ（
１ｐＴβ －１）－πＴβ （
１０）

其中，λ 为等式约束的拉格朗日 乘 子， 无 符 号 约 束，π＝ （

π１ ，…，πｐ ） ， 其 第 ｊ 个 元 素
Ｔ

πｊ 为βｊ 非负的拉格朗日 乘 子， 须 满 足 条 件 πｊ ≥０ （ ９） 极 小 化 的 ＫＫＴ 条

ｊ＝１，…ｐ）。式 （
件为：

烄Ｘ （ Ｙ － Ｘβ）＋αＸＴ １ｎ ＝λ１ｐ －π
Ｔ

Ｔ
（
１１）
烅１ｐβ －１＝０
烆πｊβｊ ＝ ０
给定某个α 后，记＾ ＾ α）。定义活跃集 Ａ＝Ａ （
β＝β （ α） ＝ ｛ ｊ｜＾βｊ＞０，ｊ＝１，…，ｐ｝， 非
活跃集 Ａ ＝ ｛
Ｃ ＾
ｊ｜βｊ＝０，ｊ＝１，２， …ｐ｝。 记 τ＝ ｜Ａ ｜ ， 为 活 跃 集 元 素 个 数， 即 投 资 组 合
中选择的股票只数。另外，记ｅｊ 为ｐ 维单位矩阵的第ｊ 列，定义 ｐ×τ 维矩阵 ＰＡ ＝ （ ｅｊ），ｊ
∈Ａ，ＸＡ ＝ＸＰＡ ，βＡ ＝ＰＡβ，＾ ＾
βＡ ＝ＰＡβ。
Ｔ Ｔ

根据 πｊβｊ＝０ 和 πｊ≥０，对于ｊ∈Ａ，πｊ＝０，以及ｊ∈Ａｃ，πｊ＞０，进一步可以得到：

ＸｊＴ （
Ｙ －Ｘ＾）＋αＸｊＴ １ｎ ＝λ ｊ∈Ａ
β （
１２）
Ｔ ＾
Ｘｊ Ｙ － Ｘβ ＋αＸｊ １ｎ ＝λ－πｊ ＜λ　　　　ｊ ∈ Ａｃ
（ ） Ｔ

其中，ＸｊＴ １ｎ 代表第ｊ 只股票在观测期的总收益。Ｙ －Ｘ＾

β 为目标指数收益中未被投资组
＾
合收益 Ｘβ 追踪到的成分 （以下简称为未追踪成分）。ＸｊＴ （Ｙ －Ｘ＾
β） 为 Ｘｊ 与未追踪成分的内
积，在一定程度上代表第ｊ 只股票收益与目标指数收益的相关性。在式 （ １２） 的约束下， 在
α 较大时，与指数收益相关程度 较 弱， 但 收 益 较 高 的 股 票 会 优 先 进 入 模 型， 随 着 α 的 减 小，
股票收益率对投资组合选择的影响会减弱，股票收益与指数收益的相关程度对投资组合选择
的影响会增强。
根据式 （１２），不同的调节参数α，对应不同的拉格朗日乘子λ。下面给出映射关系λ （
α）。
性质 １　 若 Ａ 保持不变，λ （
α） 为线性函数。
证明：定义 １Ａ 为τ 维的单位向量，根据式 （
１２），可以得到：
Ｔ
ＸＡ Ｙ － ＸＡ＾
（ βＡ ）＋αＸＡ １ｎ ＝λ１Ａ
Ｔ
（
１３）

根据约束１ｐＴ＾
β－１＝０，以及非活跃集元素为 ０，可以得到１ＡβＡ ＝１。将公 式 （
Ｔ
１３） 等 号 两
侧同时乘以 １Ａ （
Ｔ
ＸＡＸＡ ） ，可以得到：
Ｔ －１

Ｔ
１Ａ （
ＸＡＴ
ＸＡ ）
－１　 Ｔ Ｔ
ＸＡＹ －１＋α１Ａ （
ＸＡＴ
ＸＡ ）
－１　 Ｔ Ｔ
ＸＡ １ｎ ＝λ１Ａ （
ＸＡＴ
ＸＡ ）
－１　
１Ａ

于是
 · １１２ · 《数量经济技术经济研究》２０１７ 年第 ５ 期

Ｔ
１Ａ （
ＸＡＴ
ＸＡ ）
－１　 Ｔ
ＸＡＹ －１＋α１Ａ Ｔ
（
ＸＡＴ
ＸＡ ）
－１　 Ｔ
ＸＡ １ｎ
λ＝ Ｔ
１Ａ （
ＸＡＸＡ ） １Ａ
Ｔ －１　

Ｔ －１　 Ｔ Ｔ －１　 Ｔ
１Ａ （ Ｔ
ＸＡＸＡ ） ＸＡ １ｎ １Ａ （ＸＡＴ
ＸＡ ） ＸＡＹ －１
＝ α ＋
１Ａ （
Ｔ
ＸＡＸＡ ） １Ａ
Ｔ －１　
１Ａ （
Ｔ
ＸＡＸＡ ）
Ｔ －１　
１Ａ

记
Ｔ Ｔ
１Ａ （ Ｔ
ＸＡＸＡ ）
－１　 Ｔ
ＸＡ １ｎ １Ａ （ＸＡＴ
ＸＡ ）
－１　 Ｔ
ＸＡＹ －１
ｂ０ ＝ 　　ｂ１ ＝
１Ａ （
Ｔ
ＸＡＸＡ ） １Ａ
Ｔ －１　
１Ａ （
Ｔ
ＸＡＸＡ ）
Ｔ －１　
１Ａ

那么，λ＝ｂ０α＋ｂ１ 。证毕。
根据性质 １，式 （ １３） 退化为：
Ｔ
ＸＡ （
Ｙ － ＸＡβＡ ）＋α（
ＸＡＴ
１ｎ －ｂ１ １Ａ ）＝ｂ０１Ａ （
１４）

借鉴最小角度回归中的概念，定义广义等角度向量 ＵＡ ＝ＸＡｄＡ 。记：

ｗＡ ＝ （
ＸＡＴ
１ｎ －ｂ０ １Ａ ）　　Ｗ Ａ ＝ ｄ
ｉａｇ（
ｗＡ ）

之所以称 ＵＡ 为广义等角度向量，是因为 ＵＡ 须满足关系：

－１
ＷＡ ＸＡ ＴＵＡ ＝１Ａ

即矩阵 ＸＡ 经过 Ｗ Ａ 加 权 作 用 后 （
ＸＡ 中 各 列 分 别 乘 以 ｗＡ 中 对 应 元 素 的 倒 数）， 与 ＵＡ
的内积为 １。根据上述关系，可以得到：

ｄＡ ＝ （
ＸＡＴ
ＸＡ ）
－１
（
ＸＡＴ
１ｎ －ｂ１ １Ａ ） （
１５）

记 ［
αｋ＋１ ，αｋ］ 表示以αｋ 为上界，αｋ＋１ 为下界的闭区间。 当α∈ ［ αｋ＋１ ，αｋ ］ 时， 如果 Ａ
保持不变，那么在α∈ ［ αｋ＋１ ，αｋ］ 区间内＾ α） 线性变化，如性质 ２ 所述。
βＡ （
性质 ２　 对于α∈ ［
αｋ＋１ ，αｋ］，如果 Ａ 保持不变，那么以下关系成立。
＾Ａ （ ＾ αｋ）－ （
β α）＝βＡ （ αｋ －α）
ｄＡ 　　α ∈ ［
αｋ＋１ ，
αｋ］ （
１６）

证明：根据定理 １，对于α∈ ［ １４） 成立，将αｋ 和α 分别代入式 （

αｋ＋１ ，αｋ］，式 （ １４），
则有：
Ｔ
ＸＡ Ｙ － ＸＡ＾
（ βＡ （
αｋ））＋αｋ（
ＸＡ Ｔ
１ｎ －ｂ１ １Ａ ）＝ｂ０ １Ａ
Ｔ
ＸＡ Ｙ － ＸＡ＾
（ βＡ （
α））＋α（ＸＡＴ
１ｎ －ｂ１ １Ａ ）＝ｂ０ １Ａ

将两式相减，可以得到：
＾Ａ （ ＾ α）＝ （
β αｋ）－βＡ （ αｋ －α）（ ＸＡ ） （ １ｎ －ｂ１ １Ａ ）＝ （
αｋ －α）
ｄＡ 　　α ∈ ［
αｋ＋１ ，
αｋ］
Ｔ －１ Ｔ
ＸＡ ＸＡ

Ａ 保持不变时，ＸＡ 、ｂ１ 、ｄＡ 均为固定的常数向量。证明完毕。

根据性质 ２，我们可以得到如下结论。随着α 的变化，可以找到α０ ＞α１ ＞ … ＞αｋ ＝０， 当
αｋ＋１ ，αｋ］ 时，＾
α∈ ［ β（α） 为分段连续线性函数。这与最小角度回归算法类似， 接下来本文
将推广最小角度回归算法，给出广义最小角度回归算法，能以较高效率得到模型解的折中路
径＾
β（ α）。
２．广义最小角度回归算法
广义最 小 角 度 回 归 算 法 （Ｇｅｎｅ
ｒａｌ
ｉｚｅｄ　
Ｌｅａ
ｓｔ　
Ａｎｇ
ｌｅ　
Ｒｅｇ
ｒｅｓ
ｓｉｏｎ， 以 下 简 称 ＧＬＡＲＳ 算
 一种增强型指数追踪模型设计及应用 · １１３ ·

法），即找到分段连续的变点α０ ＞α１ ＞ … ＞αｋ ＝０，并依次给出＾ β（ α） 的分段线性形式。
当α∈ ［αｋ＋１ ，αｋ］，简记活跃集 Ａｋ ＝Ａ （
αｋ），筛选矩阵为 ＰＡｋ ，活跃集中的元素个数为
τｋ ＝τ （
αｋ）。活跃集对应的系数估计函数βＡｋ （ ＾ α） ＝＾
β（ α）ＰＡｋ 。
１） 初始化。由于 ∑βｉ＝１，所 以 在 α 取 任 何 值 至 少 有 一 个 变 量 进 入 模 型， 此 时 活 跃 集
（
Ａ 中至少存在一个元素。另外，当α 足够大时，活跃集中有且仅有一个元素，即存在α０ ，当
α０ ， ＋ !） 时，活跃集 Ａ０ ＝Ａ （
α∈ （ α） ＝ ｛
ｊ０｝，ｊ０ ＝ａ
ｒｇｍａｘ ｛
ＸｊＴ１ｎ ，ｊ＝１，…，ｐ｝。
ｊ

当α∈ （
α０ ， ＋ !），非活跃 集 Ａ０ ＝Ａ０ （
ｃ ｃ
１，…，ｐ｝ －ｊ０ 。 对 于 ｊ∈Ａ０
α） ＝ ｛
Ｃ
，若较非
活跃集中其余元素，先进入活跃集，那么有：

ＸｊＴ （
Ｙ － Ｘｊ０ ）＋αＸｊＴ１ｎ ＝ ＸｊＴ０ （
Ｙ － Ｘｊ０ ）＋αＸｊＴ１ｎ （
１７）

记式 （
１７） 的解为αｊ，则有：

ＸｊＴ ［
Ｙ － Ｘｊ０ ］－ ＸｊＴ０ （
Ｙ － Ｘｊ０ ）
αｊ ＝ Ｔ Ｔ
（
１８）
Ｘｊ０１ｎ － Ｘｊ１ｎ

于是，可以得到α０ ＝ｍａｘ ｛ ａｊ：ｊ∈Ａｃ０｝。此时，＾ βＡ０ α０） ＝＾

（ βｊ０ （
α０） ＝１。
定义ｊ０＋ ＝ａ 则 ｊ０ ｝。 因 为＾ α０ ） ＝ＰＡ０＾
ｃ
ｒｇｍａｘ ｛ ， Ａ
αｊ ｊ∈ ０ ｝， Ａ１ ＝ ｛ ｝
ｊ０ ＋ ｛ ＋
βＡ０ （
Ｔ
β （
α０ ），
ｊ

同时＾ α０） ＝ＰＡ１＾

βＡ１ （
Ｔ
β（α０），所以＾ α０） ＝ＰＡ１ＰＡ０＾
βＡ１ （
Ｔ
βＡ０ （
α０）。
至此，初始化过程完成。
２） 第 １ 步迭代。在第 １ 步迭代中，只涉及变量进入。根据性质 ２，在 Ａ１ 保持不变时，
（
α０ ，α１］，＾
对于α∈ ［ α） ＝＾
βＡ１ （ βＡ１ （
α０） ＋ （
α－α１）ｄＡ１ 。
定义
Ｔ
１Ａ１
（ＸＡＴ
１
ＸＡ１ ）
－１　 Ｔ
ＸＡ１Ｙ －１ Ｔ
１Ａ１
（
ＸＡＴ
１
ＸＡ１ ）
－１　 Ｔ
ＸＡ１ １ｎ
ｂ１０ ＝ 　　ｂ１１ ＝
Ｔ
（ Ｔ
１Ａ１ ＸＡ１ＸＡ１ ）－１　
１Ａ１ Ｔ
（ Ｔ
１Ａ１ ＸＡ１ＸＡ１ ）－１　
１Ａ１
Ｔ
ｗ１ ＝ ＸＡ１
１ｎ －ｂ１０ １Ａ１

所以，ｄＡ１ ＝ （
ＸＡＴ
１
ＸＡ１ ）－１　ｗ１ 。 记 γ１ ＝α０ －α， 对 于 ｊ∈Ａ１
Ｃ
， 若 较 非 活 跃 集 中 其 余 元 素，
先进入活跃集，那么有：

ＸｊＴ ［ ＾Ａ （
Ｙ － ＸＡ１ ［
β １ α０）－γ１ｄＡ１ ］］＋ （
α０ －γ１）
ＸｊＴ１ｎ ＝ｂ１０（
α０ －γ１）＋ｂ１１ （
１９）

Ｙ －ＸＡ１＾
另外，定义ｃ１ ＝ＸＴ （ α０ ）），ａ１ ＝Ｘ ＸＡ１ｄＡ１ ，记ｃ１ 和 ａ１ 的第ｊ 个元素分别
βＡ１ （
Ｔ

为ｃ１ｊ和ａ１ｊ，则有：

ｃ１ｊ ＋γ１ａ１ｊ ＋α０ＸｊＴ １ｎ －γ１ＸｊＴ １ｎ ＝ｂ１０α０ －ｂ１０γ１ ＋ｂ１１

定义

＾ ｃ０ｊ ＋α０ＸｊＴ １ｎ －ｂ１０α０ －ｂ１１ （

γ１ｊ ＝ ２０）
ＸｊＴ １ｎ －ｂ１０ －ａ１ｊ
＾ ｎ｛
γ１ ＝ ｍｉ ＾
γ１＋ｊ ，
ｃ
ｊ ∈ Ａ１｝　　ｊ１ ＝ａ
＋
ｒ ｎ｛
ｇｍｉ ＾
γ１＋ｊ ，
ｃ
ｊ ∈ Ａ１｝ （
２１）

那么，第 １ 步进入活跃集的 元 素 为 ｊ１＋ ，＾ α） 线 性 变 化 的 最 大 步 长 为＾

βＡ１ （ γ１ ， 此 时 执 行
更新：

ｊ１｝　　α１ ＝α０ －＾
Ａ２ ＝ Ａ１ ＋ ｛ γ１ （
２２）
 · １１４ · 《数量经济技术经济研究》２０１７ 年第 ５ 期

类似初始化中的做法，可以得到＾ α１） ＝ＰＡ２ＰＡ１＾
βＡ２ （
Ｔ
βＡ１ （
＾Ａ （
α１） ＝ＰＡ２ＰＡ１ （
Ｔ ＾
β １ α０） －γ１ｄＡ１ ）。
（３） 第 ｋ＋１ 步 迭 代。 在 完 成 ｋ 步 迭 代 后， 可 以 得 到 αｋ 和 活 跃 集 Ａｋ＋１ ， 则 第 ｋ＋１ 步，
发现率先从非活跃集进入活跃集元素的步骤如下。
首先，计算
Ｔ
１Ａｋ
（ Ｔ
ＸＡｋ＋１
ＸＡｋ＋１ ）
－１　 Ｔ
ＸＡｋ＋１ １ｎ
ｂｋ＋１，０ ＝
１Ａｋ＋１ （
Ｔ
ＸＡｋ＋１ＸＡｋ＋１ ）
Ｔ －１　
１Ａｋ＋１ （
２３）
１ Ｔ
（ＸＡ
Ａｋ＋１
Ｔ
ｋ＋１
ＸＡｋ＋１ ）
－１　 Ｔ
ＸＡｋ＋１Ｙ －１
ｂｋ＋１，１ ＝
１Ａｋ＋１ （
Ｔ
ＸＡｋ＋１ＸＡｋ＋１ ）
Ｔ －１　
１Ａｋ＋１

其次，计算广义等角度加权向量 ｗｋ＋１ 和＾ α） 的前进方向向量 ｄＡｋ＋１ ：

βＡｋ （
ｗｋ＋１ ＝ ＸＴ
Ａｋ＋１ １ｎ －ｂ ０１
ｋ＋１， Ａｋ＋１ 　　ｄＡｋ＋１ ＝ （
ＸＡＴ
ｋ＋１
ＸＡｋ＋１ ）
－１　
ｗｋ＋１ （
２４）

最后，定义ｃｋ＋１ ＝ＸＴ （ Ｙ －ＸＡｋ＋１＾ αｋ ）），ａｋ＋１ ＝Ｘ ＸＡｋ＋１ｄＡｋ＋１ 。 记ｃｋ＋１ 和 ａｋ＋１ 的 第

βＡｋ＋１ （
Ｔ

ｊ 个元素分别为ｃｋ＋１，ｊ和ａｋ＋１，ｊ。于是可以得到：
Ｔ
＾ ｃｋ＋１，ｊ ＋αｋＸｊ １ｎ －ｂｋ＋１，０αｋ －ｂｋ＋１，１
γｋ＋＋１，ｊ ＝ （
ＸｊＴ １ｎ －ｂｋ＋１，０ －ａｋ＋１，ｊ ２５）
＾
γｋ＋１ ｎ｛
＝ ｍｉ ＾γｋ＋＋１，ｊ，
ｃ
ｊ ∈ Ａｋ＋１｝　　ｊｋ＋１ ＝ａ
＋
ｒｇｍｉ ｎ｛ ＾
γｋ＋＋１，ｊ，
ｃ
ｊ ∈ Ａｋ＋１｝
ｊ

第 ｋ＋１ 步，发现活跃集中有元素退出的方法 如 下。 记＾ α） 和 ｄＡｋ＋１ 的 第ｊ 个 元 素

βＡｋ＋１ （
分别为＾ α） 和 ｄＡｋ＋１，ｊ，于是可以得到：
βＡｋ＋１，ｊ （
＾ ，（ α）
珘ｋ＋１，ｊ ＝βＡｋ＋１ ｊ
γ
ｄＡｋ＋１，ｊ
珘ｋ＋１
γ ｎ｛
＝ ｍｉ 珘ｋ＋１，ｊ，
γ＋
ｊ ∈ Ａｋ＋１｝　　ｊｋ＋１ ＝ａ
－
ｒ ｎ｛
ｇｍｉ 珘ｋ＋＋１，ｊ，
γ ｊ ∈ Ａｋ＋１｝ （
２６）
ｊ

如果＾ 珘ｋ＋１ ，那么执行更新：

γｋ＋１ ＜γ

ｊｋ＋１｝　　αｋ＋１ ＝αｋ －＾
Ａｋ＋２ ＝ Ａｋ＋１ ＋ ｛ ＋
γｋ＋１
＾Ａ （ ＾ ＾
β ｋ＋２ αｋ＋１ ＝ ＰＡｋ＋２ＰＡｋ＋１ βＡｋ＋１ αｋ －γｋ＋１ｄＡｋ＋１ ）
） （ （ ）
Ｔ

如果＾ 珘ｋ＋１ ，那么执行更新：

γｋ＋１ ＞γ

Ａｋ＋２ ＝ Ａｋ＋１ － ｛
ｊｋ＋１｝　　αｋ＋１ ＝αｋ －γ
－ 珘ｋ＋１
（
２７）
＾Ａ （ ＾Ａ （ 珘ｋ＋１ｄＡ ）
β ｋ＋２ αｋ＋１）＝ ＰＡｋ＋２ＰＡｋ＋１ （
β ｋ＋１ αｋ）－γ
Ｔ
ｋ＋１

４） 循环停止。若如下情况发生，则 ＧＬＡＲＳ 算法停止。假定在第 ｋ 步更新结束后， 所

（
有自变量都已被引入活跃集，此时的更新过程为：
－
＾Ａ （ ＾
β ｋ＋１ αｋ＋１）＝βＡｋ＋１ （
αｋ）＋γｋ＋１ｄＡｋ＋１ （
２８）

其中
－
ｂｋ＋１，０αｋ ＋ｂｋ＋１，１ （
γｋ ＝ ２９）
ｂｋ＋１，０
＾Ａ αｋ＋１） 即非负最小二乘法 所 求 出 的 解， 若 基 准 指 数 的 所 有 成 分 股 票 均 进 入 样 本，
β ｋ＋１ （
 一种增强型指数追踪模型设计及应用 · １１５ ·

＾Ａ αｋ＋１） 即真实指数中成分股对应的权重。在实际运算 中， 当 活 跃 集 成 为 全 集 时， 除 了
β ｋ＋１ （
要计算退出向量的最小步长，还要计算达到非负最小二乘解的步长。若后者大于前者，就执
行变量退出的部分；反之执行循环停止的更新，并结束 ＧＬＡＲＳ 算法的循环过程。

四、模型应用实证

本文将基于数据模拟分析，以及通过国外数据与同类算法的对比分析，论述算法的合理
性和有效性。具体地，本文通过模拟股票数据，并通过股票数据构建目标指数，然后直观地
展示追踪误差和超额收益的变化，以及目标函数如何折中变化，来验证本文提 出 的 ＧＬＡＲＳ
算法的估计思 路 及 合 理 性。 另 外， 使 用 Ｂｅ
ａｓｅｙ 等 （
ｌ ２００３） 提 出 的 ＯＲ－Ｌ
ｉｂｒ
ａｒｙ国际通用的
指数追踪问题金融数据库中的数据，通过五组世界主要股票市场指数及其成分股的历史数据
对模型及算法进行测算，并与国外研究 （
Ｌｉ等，２０１１；Ｃａｎａｋｇｏ
ｚ和 Ｂｅ
ａｓｅｙ，２００９） 中同类
ｌ
模型结果进行对比。本节最后部分，将把本文提出的模型应用于中国证券市场。本文选择上
证 ５０ 指数作为追踪目标，通过追踪上证 ５０ 指数进行实证分析，讨论本文模型和算法在中国
股票市场的适用性。
１．数据模拟
本文模拟十只股票的历史数据，模拟数据过程如下。
第一步，按如下方式生成自变量 ｘｉ＝ （
ｘｉ１ ，…，ｘｉｐ ）
Ｔ
：

ｘｉ ～ ｔｐ （
μ，∑ ，
ｑ）　　ｉ ＝１，…，
ｎ （
３０）

其中，μ＝ （ Ｔ
μ１ ，…，μｐ ） ：

μｉ ～ Ｕ（ ５，
－０． ５）　　ｉ ＝１，…，
０． ｐ （
３１）
ｕ－ｖ
∑ｕｖ ＝｜ ｜ （ｕ＝１，…，ｐ；ｖ＝１，…，ｐ）， 为自定义的相关系数。为满足股票涨幅
跌幅不能超过 １０％ 的限制，本文将端点处自变量调整到 ［ ｌ ９，ｌ
ｏｇ０． １］ 区间内。
ｏｇ１．
第二步，生成随机权重指数，按如下方式生成由 ｐ 只股票组成的自定义指数的权重β＝
（
β１ ，β２ ，…，βｓ） ：
Ｔ

ｓ
′
β ～ Ｕ（
ｉ ０，１）　　βｉ ＝βｉ′／∑βｊ′ 　　ｉ ＝１，…，
ｓ （
３２）
ｊ＝１

第三步，从 ｐ 只股票中选出ｓ 只股票生成自定义指数：

ｓ

ｙｉ ＝ ∑ｘβ 　　ｉ ＝１，…，

ｊ＝１
ｉ
ｊ ｊ ｎ （
３３）

生成ｎ＝１００、ｐ＝１０、ｓ＝５、＝０．
３ 的模拟数据两组。指数 １ 由十只股票等权重组成，指
数２ 由前五只股票构成，采用随机权重。两个指数的权重系数和成分股训练期平均收益见表１。

表１ 模拟股票平均收益与模拟指数中股票权重

Ｘ１ Ｘ２ Ｘ３ Ｘ４ Ｘ５ Ｘ６ Ｘ７ Ｘ８ Ｘ９ Ｘ１０
平均收益 ０．
００１　 ０．
００１　 ０．
００４　 ０．
０１３ －０．
００９　 ０．
００７ －０．
００９　 ０．
００６　 ０．
００３　 ０．
００５
指数 １ 权重 ０．
１００　 ０．
１００　 ０．
１００　 ０．
１００　 ０．
１００　 ０．
１００　 ０．
１００　 ０．
１００　 ０．
１００　 ０．
１００
指数 ２ 权重 ０．
０９６　 ０．
３４１　 ０．
１６４　 ０．
１４７　 ０．
２５２　 ０．
０００　 ０．
０００　 ０．
０００ ０．
０００ ０．
０００
 · １１６ · 《数量经济技术经济研究》２０１７ 年第 ５ 期

　　 通过 ＧＬＡＲＳ 算法，可以得到两个指数追踪模型系数解的折中路径，具体折中路径如图
１ 和图 ２ 所示。另外，还分 别 计 算 了 两 个 追 踪 模 型 折 中 路 径 在 每 个 转 折 点 处 对 应 的 调 节 参
数，投资组合的样本期内超额收益和追踪误差，见表 ２。

图 １　 模拟指数 １ 系数解折中路径 图 ２　 模拟指数 ２ 系数解折中路径

注：股票 ４ 对应右侧纵坐标，其余对应左侧纵坐标。 注：同图 １。

从图 １ 和图 ２ 中的系数解折中路径可以看出，ＧＬＡＲＳ 算法的分段线性性 质。 随 着 调 节
参数变小，股票会在每一步被选入或退出投资组合，平均收益相对较大的股票会首先进入模
型，最终模型系数的解会和指数权重吻合。指数 １ 由十只股票按等权重组成，成分股按顺序
进入投资组合。在指数 ２ 中，第 ６～１０ 只股票的真实系数为 ０， 所以这五只股票中收益较高
者会先进入投资组合，之后退出。也就是说，随着调节参数变小，与指数的相关度较高对模
型的影响力会增强，甚至很快超出收益对模型的影响，收益较高且与指数相关度较小的股票
有可能退出投资组合。
如表 ２ 所示，随着调节参数的减小，样本期内投资组合的超额收益逐步下降，追踪误差减
小，同时投资组合中的股票数量也在增加，投资策略从获得高于基准指数平均回报率的策略 １
转向获得正的超额收益同时追踪基准指数的策略 ２，最终达到复制一个基准指数收益的策略 ３。
ＧＬＡＲＳ 算法对指数权重变化反应灵敏，如果股票池中股票变化或者指数权重发生调整，模型
会自动调整投资组合权重，这与被动投资策略相吻合。模拟结果直观展示了追踪误差和超额收
益的变化，以及目标函数如何折中变化，展示了 ＧＬＡＲＳ 算法的估计思路及合理性。
表２ 模拟的追踪误差和超额收益

步数 １　 ２　 ３　 ４　 ５　 ６　 ７　 ８　 ９　 １０
调节参数 ９．
０２９　 ８．
１９９　 ５．
９４２　 ５．
６７２　 ５．
１８４　 ４．
９８９　 ４．
０２８　 １．
８２４　 １．
５３０　 ０．
０００
指数 １ 超额收益 １．
２１７　 １．
１９０　 ０．
９９４　 ０．
９６９　 ０．
９１８　 ０．
８９８　 ０．
７８８　 ０．
５３６　 ０．
５０２　 ０．
０００
追踪误差 ０．
０７６　 ０．
０７２　 ０．
０４４　 ０．
０４１　 ０．
０３６　 ０．
０３３　 ０．
０２４　 ０．
００９　 ０．
００８　 ０．
０００
调节参数 １０．
８１８　８．
６８４　 ７．
６６７　 ５．
８３８　 ４．
６１１　 ３．
７６７　 ３．
０８０　 １．
３６１　 ０．
６９３　 ０．
０００
指数 ２ 超额收益 １．
２１７　 １．
１４８　 １．
０９３　 ０．
９８３　 ０．
８９８　 ０．
８２１　 ０．
７５１　 ０．
５５２　 ０．
４００　 ０．
０００
追踪误差 ０．
０７６　 ０．
０６５　 ０．
０５８　 ０．
０４７　 ０．
０４０　 ０．
０３５　 ０．
０３１　 ０．
０１９　 ０．
０１７　 ０．
０００

２．与其他模型的比较
本部 分 数 据 来 自 常 被 用 于 研 究 指 数 追 踪 问 题 的 ＯＲ－ｌ
ｉｂｒ
ａｒｙ数据库 （
Ｂｅａ
ｓｌｙ 等，２００３；
ｅ
 一种增强型指数追踪模型设计及应用 · １１７ ·

Ｃａｎ ｚ和 Ｂｅ
ａｋｇｏ ａｓｌｅｙ，２００９；Ｌ ｉ等，２０１１），包括五组全球主要股票市场指数及其成分股历史数
据。通 过 与 Ｃａｎａｋｇｏｚ 和 Ｂｅ
ａｓｌ
ｅｙ（２００９） 提 出 的 混 合 型 整 数 规 划 算 法 （Ｍｉ
ｘｅｄ－ｉ
ｎｔｅ
ｇｅｒ　
Ａｌｇｏ－
ｒ
ｉｔ ｉ等 （
ｈｍ），和 Ｌ ２０１１）提出的免疫记忆克隆算法 （Ｍｕ
ｌｔｉ－ｏｂ
ｊｅｃ
ｔｉｖ
ｅ　Ｉｍｍｕｎ
ｅ　Ａｌ
ｇｏｒ
ｉｔｈｍ） 进行
对比，评判 ＧＬＡＲＳ 算法在用于分析增强型指数追踪问题时的有效性和计算效率。
数据中五组国际 指 数 分 别 为 香 港 恒 生 指 数、 德 国 ＤＡＸ 指 数、 英 国 ＦＴＳＥ 指 数、 美 国
Ｓ＆Ｐ１００ 指数以及日本 Ｎｉ
ｋｋｅ
ｉ２２５ 指 数 及 其 成 分 股 票， 时 间 跨 度 为 １９９２～１９９７ 年， 每 个 指
数包含 ２９１ 个周收盘价。样本内训练集的时间 区 间 为 １～１４５ 周， 样 本 外 测 试 集 的 时 间 区 间
为 １４６～２９０ 周，所有指数有效成分股 （各股票停 牌 日 的 收 盘 价 格 以 上 一 交 易 日 的 收 盘 价 作
为补充，连续停牌日超过三周的股票予以剔除） 的数量如表 ３ 所示。

表３ 指数的成分股数量 （单位：只）

指数 香港恒生 ＤＡＸ１００ ＦＴＳＥ１００ Ｓ＆Ｐ１００ Ｎｉ

ｋｋｅ
ｉ２２５
保留成分股数量 ３１　 ８５　 ８９　 ９８　 ２２５

ｚ和 Ｂｅ
　　Ｃａｎａｋｇｏ ａｓｌ ２００９） 使用混合型整数规划算法 （ＭＩＰ） 通过选 择 十 只 股 票 去 复
ｅｙ （
制目标指数并获得超额收益。Ｌ ｉ等 （２０１１） 的 免 疫 记 忆 克 隆 算 法 （ＭＡＣ） 则 通 过 追 踪 自 定
义指数， 得到由 ２０ 只股票组成的投资组合。 本文以相同的假设构建 ＧＬＡＲＳ 算法模型， 并
通过限制投资组合中股票的只数选择对应的调节参数和对应的股票权重 ，并计算此时的训练
集日均超额收益，并与其他学者的模型效果进行对比，结果见表 ４。

表４ 样本外超额收益对比分析

指　数 ＭＡＣ　 ＧＬＡＲＳ　 ＭＩＰ　 ＧＬＡＲＳ

香港恒生 ０．
００３４７　 ０．
００３１５２ －０．
００００４ －０．
０００１２
ＤＡＸ１００　 ０．
０００５６　 ０．
００３９０５　 ０．
０００２０　 ０．
００１７５
ＦＴＳＥ１００　 ０．
０００６４　 ０．
００１０４６　 ０．
００００９　 ０．
００１５１
Ｓ＆Ｐ１００　 ０．
００１０７　 ０．
００１３１５　 ０．
００００４　 ０．
０００２３
Ｎｉ
ｋｋｅ
ｉ２２５　 ０．
０００２６　 ０．
００２１１３　 ０．
０００１４　 ０．
００１５４

　　 由于模型限制不 同， ＭＡＣ 和 ＭＩＰ 算 法 在 限 定 投 资 组 合 中 股 票 只 数 后， 会 得 到 多 组 模

型，本文均选择所有模型中测试集超额收益最大的进行比较。从表 ４ 可以 看 出，ＧＬＡＲＳ 算
法指数 复 制 模 型 与 ＭＡＣ 和 ＭＩＰ 算 法 的 结 果 相 比， 在 五 组 指 数 追 踪 中，ＤＡＸ１００、ＦＴ－
ＳＥ１００、Ｓ＆Ｐ１００、Ｎｉ
ｋｋｅ
ｉ２２５ 的超额收益都得到明显改善，仅香港恒生的复制结果未得到明
显改善。依据样本内数据所得追踪组合对样本外预测表明，ＧＬＡＲＳ 算法构建的投资 组 合 未
来获得超额收益能力更强。
Ｂｅ
ａｓｌ
ｅｙ等 （ ｉ等 （
２００３）通过构造一个虚拟指数来评价算法的追踪效果。本文选择 Ｌ ２０１１）
的做法，选取指数成分股的前２０ 只股票来构建等权重指数，并计算极端策略３ （单纯的指数追
踪）下的追踪误差，与 Ｌ
ｉ等 （
２０１１）在相同情况下的追踪模型结果进行对比，结果见表 ５。

表５ 基于模拟指数的追踪误差对比分析

指　数 香港恒生 ＤＡＸ１００ ＦＴＳＥ１００ Ｓ＆Ｐ１００ Ｎｉ

ｋｋｅ
ｉ１００
模拟指数 ＭＡＣ　 １．
２２Ｅ－０９　 ３．
９８Ｅ－０７　 ３．
３５Ｅ－０５　 ４．
１７Ｅ－０６　 ２．
４６Ｅ－０４
追踪误差 ＧＬＡＲＳ　 ４．
７７Ｅ－１４　 １．
７０Ｅ－１３　 ３．
８２Ｅ－１４　 ８．
４１Ｅ－１４　 １．
１１Ｅ－１３
计算时间 （秒） ＧＬＡＲＳ　 ０．
０３４　 ０．
０８８　 ０．
１９１　 ０．
１２８　 ０．
２５７
· １１８ · 《数量经济技术经济研究》２０１７ 年第 ５ 期

　　 从表 ５ 来 看， ＧＬＡＲＳ 算 法 基 于 五 组 国 际 指 数 的 投 资 组 合 的 追 踪 误 差 均 小 于 Ｌ
ｉ等
２０１１） 的结果，同时计算时间也表明算法具有 良 好 的 求 解 能 力 和 计 算 速 度。 通 过 以 上 模 拟
（
数据的实证分析，以及与国外研究中同类模型结果进行对比，表明 ＧＬＡＲＳ 算法在增强型指
数追踪问题上具有比较优势，同时算法具有良好的求解能力和计算速度。
３．模型应用
本节将把本文提出的模 型 应 用 于 中 国 证 券 市 场。 本 文 选 择 上 证 ５０ 指 数 作 为 追 踪 目 标，
通过追踪上证 ５０ 指数进行实证分析，讨论本文模型在中国股票市场的适用性。
１） 数据与模型时间窗口。本文选取了上证 ５０ 指数成分股作为指数对象，２０１６ 年 １ 月 ４
（
日 ～１１ 月 ２７ 日共 ２１９ 个交易日，删除这个时期内停盘较长的个股 （停盘超过 ５ 天），最终个股
成分股进入样本的只数为 ４７，本文用全部 ４７ 只真实股票对目标指数进行追踪。
本文参考真实基金调权周期，以一季度一次 为 调 权 频 率。 首 先， 用 １～３ 月 的 交 易 日 数
据作为训练集，进行第一次股票权重参数的估 计； 然 后， 把 ４～６ 月 这 三 个 月 的 交 易 数 据 作
为测试集，用上一步的权重向量构建投资组合，计算相关指标；最后，将窗口期向后推 ３ 个
月，用 ４～６ 月的交易数据作为训练集，７～９ 月的数据作为预测集。 以此类推得到三次调整
权重的投资组合。
２） 实证结果。本文除了比较追踪误差和超额收益以外，还选择了策略收益波动性、信
（
息比率、夏普比率和最大回撤作为投资组合评价指标。通过设定投资组合中股票数目，本文
得到 １３ 组不同的投资组合，并 计 算 对 应 评 价 指 标， 比 较 结 果 见 表 ６。 根 据 评 价 指 标， 综 合
选出五个投资组合。图 ３ 展示了五个投资组合与真实指数的累计收益轨迹。

表６ 投资组合业绩比较
超额收益 追踪误差 策略收益
股数 信息比率 夏普比率 最大回撤
１０－３ １０－２ 波动性 １０－２
指数 ５０　 ０．
００００　 ０．
００００　 ０．
７５４１ — １．
３６９１　 ０．
０５５９
１　 ０．
１３５７　 １．
５８２１　 １．
７４５６　 ０．
１３５７　 ０．
７１４４　 ０．
１８９１
２ －０．
０８６０　 １．
４１８２　 １．
６００６ －０．
０９５９　 ０．
５６００　 ０．
１９３８
３　 ０．
４４７８　 １．
１２２０　 １．
４１１２　 ０．
６３１１　 １．
２３３３　 ０．
１３２７
４　 ０．
４３５０　 ０．
８７６８　 １．
２４７６　 ０．
７８４５　 １．
３７８８　 ０．
１０３７
５　 ０．
５４１７　 ０．
７７４１　 １．
１６３４　 １．
１０６５　 １．
６２３７　 ０．
０８８１
投
６　 ０．
４４６２　 ０．
７１３３　 １．
１１６７　 ０．
９８９２　 １．
５５６４　 ０．
０８８９
资
７　 ０．
２２９２　 ０．
５６００　 １．
００６２　 ０．
６４７２　 １．
３８６３　 ０．
０８７５
组
８　 ０．
１９５７　 ０．
５３５１　 ０．
９８７８　 ０．
５７８２　 １．
３５８４　 ０．
０８７４
合
９　 ０．
１３６４　 ０．
４８３０　 ０．
９５０６　 ０．
４４６６　 １．
３１３０　 ０．
０８４５
１０　 ０．
０８３６　 ０．
４０７４　 ０．
９０００　 ０．
３２４６　 １．
２９４１　 ０．
０８２７
１５　 ０．
０６００　 ０．
３４２３　 ０．
８６２６　 ０．
２７７１　 １．
３０６８　 ０．
０７６０
２０ －０．
０８９９　 ０．
２４５１　 ０．
８２１９ －０．
５８０３　 １．
０８３０　 ０．
０７７８
３０ －０．
０５６２　 ０．
１３５９　 ０．
７７９４ －０．
６５３７　 １．
２１０７　 ０．
０６６７

　　 表 ６ 结果表明，从整体来看，随着股票只数的增加，追踪误差和超额收益在下降 （特别
说明的是，组合 １ 和组 合 ２ 因 股 票 只 数 较 少， 导 致 投 资 组 合 稳 定 性 较 差， 超 额 收 益 较 小），
同时策略收益波动和最大回撤也同时降低。除 了 取 股 票 数 为 ２、２０ 和 ３０ 的 投 资 组 合 超 额 收
益小于零外，其他投资组合在测试期内均能够在一定程度上战胜市场 。这在实践中是十分有
意义的，不仅实现了以较少股票数量追踪投资指数的目的，又实现了战胜市场的可能性。
 一种增强型指数追踪模型设计及应用 · １１９ ·

在股票只数为 ５，即选取 １０％ 的股票构建投资组合时，模型的信息比率和夏普比率达到
最大值，说明此时投资组合在控制风险的情况下取得了最佳收益。从图 ３ 可以明显看到，测
试期内上证 ５０ 指数累计收益呈现波动上涨趋势，但存在一定时期内走低的趋势， 选择 １０％
的股票构建模拟投资组合时，其累计收益与指 数 收 益 走 势 相 同， 但 累 计 收 益 高 于 指 数 收 益。
在股票只数为 １０，即选取 ２０％ 的股票构建 投 资 组 合 时， 基 本 可 以 达 到 复 制 指 数 的 目 的， 得
到与指数收益相吻合的投资组合。

图 ３　 上证 ５０ 指数追踪累计收益对比

通过追踪上证 ５０ 指数进行实证分析，得到在选取 １０％ 的股票构建投资组合时可得到较

为优秀的增强型指数基金，证明模型和算法均具有很强的实践价值。

五、结 　　 语

传统指数追踪模型作为经典的被动投资策略，能有效规避股市非系统风险，但由于组合
收益率与指数收益率接近，导致指数型基金在熊市或震荡市期间表现不佳。本文在增强型指
数追踪模型设计的视角下，对指数追踪的优化目标进行扩展，在获得一个比基准指数更高的
收益 （超额收益） 同时，最大限度减少偏离基准指数 （追踪误差） 的风险。本文针对现有增
强型指 数 追 踪 问 题 的 研 究 不 足， 提 出 了 一 种 新 的 模 型 设 计， 并 给 出 了 求 解 模 型 系 数 的
ＧＬＡＲＳ 算法，该算法具有较低 的 计 算 复 杂 性， 可 遍 历 所 有 潜 在 最 优 解， 并 提 高 计 算 效 率。
数据模拟和实证结果表明，ＧＬＡＲＳ 算法能使指数型基金的投资组合构建随目标指数变 化 进
行自适应调整，构建的投资组合波动风险可以接近目标指数，同时获得超额收益；相对传统
预设参数算法，ＧＬＡＲＳ 算法具有良好的求解能力和计算速度。
本文对上证 ５０ 指数 ２０１６ 年 １ 月 ４ 日 ～１１ 月 ３０ 日期间的收益情况进行实证分析， 利用
ＧＬＡＲＳ 算法构造了 １３ 组投资组合， 大 部 分 投 资 组 合 在 测 试 期 内 均 能 够 在 一 定 程 度 上 战 胜
市场，在保证资产稀疏性的前提下得到超额收益。值得注意的是，本文给出的模型中，调节
参数α 是超参数，模型的解是关于α 的函 数 （本 文 称 为 解 路 径）， 不 同 的 解 对 应 对 追 踪 误 差
和超额收益的不同折中。在实际应用中，还需基于测试数据，计算策略收益波动性、信息比
率、夏普比率和最大回撤等投资组合评价指标，选择最优的α。本文应用中，所选择的α 对
应投资组合选取了目标指数 １０％ 的成分股。
 · １２０ · 《数量经济技术经济研究》２０１７ 年第 ５ 期

综合来看，本文提出的指数追踪模型能够以较少的股票在追踪目标指数的同时 ，得到超
额收益，对基金公司、机构和个人投资者具有参考价值，对于进行消极资产配置和构造指数
追踪组合研究具有理论意义。在未来工作中，将尝试综合考虑交易费用和现金约束、个股最
大最小投资比例，以及模型极端损失情况下的风险控制，通过调整目标函数和约束进一步完
善现有研究。

参 考 文 献

［１］Ａｌｅｘａｎｄｅｒ　Ｇ．Ｊ．，Ｂａｐｔｉ
ｓｔａ　Ａ．Ｍ．，２０１０，Ａｃ ｔｉ
ｖｅ　Ｐｏｒ
ｔｆｏｌｉｏ　Ｍａｎａｇｅｍｅｎｔ　
ｗｉｔｈ　Ｂｅｎｃｈｍａｒｋ
ｉｎｇ：Ａ
Ｆｒ
ｏｎｔ
ｉｅ Ｂａ
ｒ　 ｓ
ｅｄ　ｏｎ　 ［］，
Ａｌｐｈａ Ｊ Ｊ ｏｕｒｎａ
ｌ　ｏ
ｆ　Ｂａｎｋ
ｉｎｇ　＆Ｆ ｉ
ｎａｎｃ ， （ ），
ｅ ３４ ９ ２１８５～２１９７．
［２］Ｂｅａｓｌ
ｅｙ　Ｊ．Ｅ．，Ｍｅ Ｎ．，Ｃｈａｎｇ　
ａｄｅ　 Ｔ．Ｊ．，２００３，Ａｎ　Ｅｖｏｌｕ
ｔｉｏｎａｒｙ　Ｈｅｕｒ
ｉｓｔ
ｉｃ　
ｆｏｒ　
ｔｈｅ　Ｉｎｄｅｘ　
Ｔｒａｃ
ｋｉｎｇ
Ｐｒ
ｏｂｅｍ ［
ｌ Ｊ］，Ｅｕ ｒｏｐｅａｎ　
Ｊｏｕ
ｒｎａ
ｌ　ｏ
ｆ　Ｏｐｅ
ｒａｔ
ｉｏｎａ
ｌ　Ｒｅ
ｓｅａ
ｒｃｈ，１４８ （３），６２１～６４３．
［３］Ｃａｎａｋｇｏ
ｚ　 Ｎ．Ａ．，Ｂｅａｓｌ Ｊ．Ｅ．，２００９，Ｍｉｘｅｄ－ｉ
ｅｙ　 ｎｔｅｇｅ
ｒ　Ｐｒｏｇｒａｍｍｉ
ｎｇ　
Ａｐｐｒ
ｏａｃｈｅ
ｓ　ｆｏ
ｒ　Ｉｎｄｅｘ　
Ｔｒａｃ
ｋ－
ｉ
ｎｇ　
ａｎｄ　
Ｅｎｈａｎｃ
ｅｄ　
Ｉｎｄｅｘａ
ｔｉｏｎ ［
Ｊ］，Ｅｕｒ
ｏｐｅａｎ　
Ｊｏｕ
ｒｎａｌ
　ｏｆ　Ｏｐｅｒａ
ｔｉｏｎａｌ　
Ｒｅｓｅａ
ｒｃｈ，１９６ （
１），３８４～３９９．
［ ］
４ Ｃｏｓ
ｔａ　 ，
Ｏ．Ｌ．Ｖ． Ｐａ ｉ
ｖａ　 ， ，
Ａ．Ｃ． ２００２ Ｒｏｂｕｓ
ｔ　Ｐｏｒｔｆｏｌ
ｉｏ　Ｓｅｌ
ｅｃｔ
ｉｏｎ　Ｕｓ
ｉｎｇ　
Ｌｉｎｅａｒ－ｍａ
ｔｒｉｘ　
Ｉｎｅ
ｑｕａ
ｌｉｔ
ｉｅｓ
［
Ｊ］，Ｊ
ｏｕｒ
ｎａｌ
　ｏｆ　
Ｅｃｏｎｏｍｉ
ｃ　Ｄｙｎａｍｉ
ｃｓ　＆ Ｃｏｎｔ
ｒｏｌ，２６ （
６），８８９～９０９．
［
５］Ｅｆｒ Ｂ．，Ｈａ
ｏｎ　 ｓ
ｔｉ Ｔ．，Ｊ
ｅ　 ｏｈｎｓ
ｔｏｎｅＩ
　 ．Ｍ． ，Ｔｉ
ｂｓｈ
ｉｒａｎ
ｉ　Ｒ．，２００４，Ｌｅ
ａｓｔ　
Ａｎｇｌ
ｅ　Ｒｅｇｒ
ｅｓｓ
ｉｏｎ ［
Ｊ］，Ａｎｎａ
ｌｓ
ｏ
ｆ　Ｓ
ｔａｔｉ
ｓｔｉ
ｃｓ，３２ （
２），４０７～４９９．
［
６］Ｇｏ ｔ Ｊ．Ｙ．，Ｔａｋｅｄａ　
ｏｈ　 Ａ．，２０１１，Ｏｎ　
ｔｈｅ　
Ｒｏｌ
ｅ　ｏｆ　
Ｎｏｒｍ　
Ｃｏｎ
ｓｔｒａ
ｉｎｔ
ｓ　ｉ
ｎ　Ｐｏ
ｒｔｆｏ
ｌｉｏ　
Ｓｅｌ
ｅｃｔ
ｉｏｎ ［
Ｊ］，Ｃｏｍ－
ｐｕ
ｔａｔ
ｉｏｎａ
ｌ　Ｍａｎａｇｅｍｅｎ
ｔ　Ｓｃ
ｉ ｅ，８ （
ｅｎｃ ４），３２３～３５３．
［
７］Ｋｉｍ　Ｊ．Ｈ．，Ｋｉｍ　 Ｗ．Ｃ．，Ｆａｂｏｚ
ｚｉＦ．Ｊ．，２０１３，Ｃｏｍｐｏ
　 ｓｉｔ
ｉｏｎ　
ｏｆ　
Ｒｏｂｕ
ｓｔ　
Ｅｑｕ
ｉｔ Ｐｏ
ｙ　 ｒ
ｔｆｏ
ｌｉｓ［
ｏ Ｊ］，Ｆ
ｉ－
ｎａｎｃ
ｅ　Ｒｅｓ
ｅａｒ
ｃｈ　Ｌｅｔｔ
ｅｒｓ，１０ （
２），７２～８１．
［８］Ｋｏｓｈｉ
ｚｕｋ
ａ　Ｔ．，Ｋｏｎｎｏ　Ｈ．，Ｙａｍａｍｏ
ｔ Ｒ．，２００９，Ｉ
ｏ　 ｌ
ｎｄｅｘ－ｐｕｓ－Ａｌ
ｐｈａ　
Ｔｒａ
ｃｋｉ
ｎｇ　
Ｓｕｂ
ｊｅｃ
ｔ　ｔ
ｏ　Ｃｏ
ｒｒｅ
ｌａｔ
ｉｏｎ　
Ｃｏｎ－
ｓ
ｔｒａ
ｉｎｔ［Ｊ］，Ｉ
ｎｔｅ
ｒｎａ
ｔｉｏｎ
ａｌＪ
　ｏｕ
ｒｎａ
ｌ　ｏ
ｆ　Ｏｐｔ
ｉｍｉｚ
ａｔｏｎ：Ｔｈ
ｉ ｅｏ
ｒｙ，Ｍｅｔｈｏｄｓａ
　ｎｄ　Ａｐｐｌ
ｉｃａ
ｔｉ ｓ，１ （
ｏｎ ２），２１５～２２４．
［ ］
９ Ｌ ｉ　 ，
Ｄ． Ｎｇ　 ， ，
Ｗ．Ｌ． ２０００ Ｏｐｔ ｉｍａｌ　Ｄｙｎａｍｉｃ　
Ｐｏｒ
ｔｆｏｌｉ
ｏ　Ｓｅｌ
ｅｃｔｉ ：
ｏｎ Ｍｕ ｌｔ
ｉｐｅ
ｒｉｏｄ　Ｍｅａｎ－Ｖａｒ
ｉａｎｃ
ｅ　Ｆｏ
ｒ－
ｍｕｌａ
ｔｉｏｎ ［
Ｊ］，Ｍａｔｈｅｍａｔｉ
ｃａｌ
　Ｆｉｎａｎｃｅ，１０ （
３），３８７～４０６．
［１０］Ｌ Ｑ．，Ｓｕｎ　
ｉ　 Ｌ．，Ｂａｏ　Ｌ．，２０１１，Ｅｎｈａｎ ｃ
ｅｄ　
Ｉｎｄｅｘ　Ｔｒａｃ
ｋｉｎｇ　
Ｂａｓ
ｅｄ　
ｏｎ　
Ｍｕｌ
ｔｉ－ｏ
ｂｊｅ
ｃｔｉ
ｖｅ　
Ｉｍｍｕｎｅ　
Ａｌｇｏ－
ｒ
ｉｔｈｍ ［Ｊ］，Ｅｘｐｅ
ｒｔ　Ｓｙ
ｓｔｅｍｓ　ｗｉ
ｔｈ　 Ａｐｐ
ｌｉｃ
ａｔｏｎｓ，３８ （
ｉ ５），６１０１～６１０６．
［
１１］Ｐａｕ ｌｏ　Ｗ．Ｌ．Ｄ．，Ｏｌ ｉｖｅｉｒ
ａ　Ｅ．Ｍ．Ｄ．，Ｃｏ ｓ
ｔａ　Ｏ．Ｌ．Ｄ．Ｖ．，２０１６，Ｅｎｈａｎｃｅｄ　
Ｉｎｄｅｘ　
Ｔｒａｃｋｉｎｇ　Ｏｐｔｉ－
ｍａ
ｌ　Ｐｏｒｔｆｏ
ｌｉｏ　Ｓｅｌ
ｅｃｔ
ｉ ［］，
ｏｎ Ｊ Ｆ ｉｎａｎｃｅ　
Ｒｅｓｅａｒ
ｃｈ　Ｌｅ
ｔ ｔ
ｅｒ ， ，
ｓ １６ ９３～１０２．
［
１２］Ｒｏ ｌｌ　Ｒ．，１９９２，Ａ 　
Ｍｅａｎ／Ｖａｒｉａｎｃ
ｅ　Ａｎａｌｙｓｉ
ｓ　ｏｆ　
Ｔｒａｃ
ｋｉｎｇ　
Ｅｒｒｒ ［
ｏ Ｊ］，Ｊ ｏｕ
ｒ ｎａ
ｌ　ｏ
ｆ　Ｐｏ
ｒｔｆ
ｏｌｉ
ｏ　 Ｍａｎａｇｅ－
ｔ，１８ （
ｍｅｎ ４），１３～２２．
［ ］
１３ Ｔａｋｅｄ
ａ　Ａ．，Ｎ
ｉｒａ
ｎｊａ
ｎ　Ｍ．，Ｇｏ
ｔ Ｊ．Ｙ．，Ｋａｗａ
ｏｈ　 ｈａｒ
ａ　Ｙ，２
０１３，Ｓ
ｉｍｕ
ｌｔａｎ
ｅｏｕ
ｓ　Ｐｕ
ｒｓｕ
ｉｔ　
ｏｆ　
Ｏｕｔ－ｏｆ－Ｓａｍｐ
ｌｅ　
Ｐｅｒ－
ｆｏ
ｒｍａｎｃ ａｎｄ　
ｅ　 Ｓｐａ
ｒｓｉ
ｔ ｉ
ｙ　ｎ　
Ｉｎｄｅｘ　Ｔ
ｒａｃｋ
ｉｎｇ　Ｐｏ
ｒｔｆｏ
ｌｉｓ［
ｏ Ｊ］，Ｃｏｍｐｕ
ｔａｔ
ｉｏｎ
ａｌ　
Ｍａｎａ
ｇｅｍｅ
ｎｔＳ
　ｃｉ
ｅｎｅ，１
ｃ ０（１），２
１～４９．
［ ］
１４ Ｗｕ　 ，
Ｌ．Ｃ． Ｃｈｏｕ　 ，
Ｓ．Ｃ． Ｙａｎｇ　 ，
Ｃ．Ｃ． Ｏｎｇ　 ， ，
Ｃ．Ｓ． ２００７ Ｅｎｈａｎｃｅｄ　
Ｉｎｄｅｘ　
Ｉｎｖ
ｅｓｔ
ｉｎｇ　Ｂａ
ｓｅｄ　
ｏｎ
Ｇｏａ Ｐｒ
ｌ　 ｎｇ ［
ｏｇｒａｍｍｉ Ｊ］，Ｊｏｕｒｎａ
ｌ　ｏ
ｆ　Ｐｏｒ
ｔｆｏ
ｌｉｏ　Ｍａｎａｇｅｍｅｎｔ，（３），４９～５６．
［１５］Ｚｏｕ　Ｈ．，２００６，Ｔｈ ｅ　
Ａｄａｐｔ
ｉｖｅ　
Ｌａｓ
ｓｏ　
ａｎｄ　
Ｉｔ
ｓ　Ｏｒａｃ
ｌｅ　
Ｐｒｏｐｅ
ｒｔｉ
ｅｓ［Ｊ］，Ｊ
ｏｕｒ
ｎａｌ
　ｏｆ
　ｔｈｅ　
Ａｍｅ ｒ
ｉｃａｎ　
Ｓｔａ
ｔｉｓ－
ｔ
ｉｃａ
ｌ　Ａｓｓｏ
ｃｉａ
ｔｉ ， （ ），
ｏｎ １０１ ４７６ １４１８～１４２９．
１６］ 巴曙松、汪鑫：《
［ Ｃ－ＴＥＶ 约束下增强型指数基金管理实证研究》［ Ｊ］，《财经问题研究》２ ０
１１年第 ４期。
１７］ 范龙振、王海涛、何华：《我国股票市场指数 及 指 数 证 券 投 资 组 合 》 ［
［ Ｊ］， 《管 理 科 学 学 报》２００２
年第 ５ 期。
１８］ 梁斌、陈敏、缪柏其、黄意球、陈钊： 《基 于 ＬＡＲＳ－Ｌａ
［ ｓｓｏ的 指 数 跟 踪 及 其 在 股 指 期 货 套 利 策 略
中的应用》［ Ｊ］，《数理统计与管理》２０１１ 年第 ６ 期。
１９］ 刘睿智、周勇：《指数跟踪投资组合 与 多 信 息 下 指 数 可 预 测 性 ———基 于 Ａｄａｐ
［ ｔｉ ＬＡＳＳＯ 和 ＡＲＩ－
ｖｅ　
ＭＡ－ＡＮＮ 方法》［
Ｊ］，《系统工程》２０１５ 年第 ４ 期。
 一种增强型指数追踪模型设计及应用 · １２１ ·

２０］ 马景义、肖佳宁：《含景气参数的非负ｌ
［ ａｓｏ 改进算法及其在指数跟踪中的应用》［
ｓ Ｊ］，《统 计 与 信
息论坛》２０１５ 年第 ７ 期。
２１］ 苏治、方彤、秦磊：《一种基于规则化方法 的 最 优 稀 疏 指 数 追 踪 模 型 设 计 》 ［
［ Ｊ］， 《数 量 经 济 技 术
经济研究》２０１６ 年第 ４ 期。

Ａ　
Ｎｅｗ　
Ｅｎｈａｎｃｅｄ
　Ｉｎｄｅｘ　
Ｔｒａｃｋ
ｉｎｇ　
Ｍｏｄｅ
ｌ　ａｎｄ
　Ｉｔ
ｓ　Ａｐｐ
ｌｉｃａ
ｔｉｏｎ
Ｍａ
　Ｊｉ
ｎｇｙ
ｉ　Ｓｈａｎ　
Ｌｕｑ
ｉ　Ｆａｎｇ　
Ｔｏｎｇ
（
Ｓｃｈｏｏ
ｌ　ｏ
ｆ　Ｓ
ｔａｔ
ｉｓｔ
ｉｃｓ
　ａｎｄ　
Ｍａｔ
ｈｅｍａ
ｔｉｓ，Ｃｅｎ
ｃ ｔｒａ
ｌ　Ｕｎ
ｉｖｅ
ｒｓｉ
ｔ ｏ
ｙ　ｆ　
Ｆｉｎａｎｃ
ｅ　ａｎｄ　
Ｅｃｏｎｏｍｉ
ｃｓ）

　　Ｒｅｓｅａｒｃｈ　Ｏｂ
ｊ ｅｃ
ｔｉｖｅｓ：Ｔｈｉ
ｓ ａ
　ｒｔｉ
ｃｌｅ
　ｃｏｎｓｔｒｕｃ
ｔｓ　ａｎ　
ｅｎｈａｎｃｅｄ　ｉ
ｎｄｅｘ　ｔｒ
ａｃｋｉ
ｎｇ　ｍｏｄｅｌ　
ｗｈｉｃｈ
ｃ
ａｎ　
ｃｏｎ
ｔｒｏ
ｌ　ｔｈｅ
　ｔｒａｄｅ－ｏｆ
ｆ　ｂｅ
ｔｗｅｅｎ　ｔ
ｒａｃｋｉｎｇ　
ｅｒｒｏｒ
ｓ　ａｎｄ　ｅｘｃ
ｅｓｓ
　 ｒ
ｅｔｕｒｎｓ　
ｂｙ　ｔｕｎ
ｉｎｇ　
ｐａｒａｍｅｔｅ
ｒｓ，
ｐｒ
ａｎｄ　 ｏｐｏｓｅｓ　
ｇｅｎｅｒａ
ｌｉｚｅｄ
　ｌｅ
ａ ｓ
ｔ　ａｎｇ
ｌｅｒ
　ｅｇｒ
ｅｓｓ
ｉｏｎ （ＧＬＡＲＳ）ｆｏｒｃｏｍｐｕ
　 ｔ
ｉｎｇ　ｔ
ｈｅ　ｔ
ｒ ａｄｅ－ｏｆ
ｆ　ｐａ
ｔｈ　
ｏｆ
ｍｏｄｅｌｃｏｅ
　 ｆ
ｆｉｃｉ
ｅｎｔｓ
　ｅｓｔｉｍａｔｏｒ．Ｒｅｓｅａｒｃｈ　
Ｍｅｔｈｏｄｓ：Ｔｈｉ
ｓ　ａ
ｒｔｉ
ｃｌｅ　ｃｏｍｐａｒｅ
ｓ　ｔｈｅ　ｐｅｒｆｏｒｍａｎｃｅ　
ｏｆ
ｔ ｐｒ
ｈｅ　 ｏｐｏｓ
ｅｄ　
ｍｏｄｅ
ｌ　ａｎｄ　
ａｌｇｏ
ｒｉｔ
ｈｍ　
ａｇａ
ｉｎｓ
ｔ　ｒ
ｅｌａ
ｔｉｖｅ　
ｏｎｅ
ｓ　ｔ
ｈｒｏｕｇｈ　
ｓｉｍｕ
ｌａｔ
ｅｄ　
ｄａｔ
ａ　ａｎｄ　
ｈｉｓ
ｔｏｒ
ｉｃａ
ｌ
ｄａ
ｔ ｏ
ａ　ｆ５ ｍａ
　 ｊｏｒ
　ｓｔ
ｏｃｋ
　ｉｎｄ
ｉｃｅ
ｓ　ｗｏ
ｒｌｄｗｉ
ｄｅ．Ｓｅｖｅ
ｒａｌ
　ｓｐａ
ｒｓｅ
　ａｎｄ　
ｓｔａｂ
ｌｅ　
ｐｏｒ
ｔｆｏ
ｌｉｏｓ
　ａｒ
ｅ　ｔ
ｈｅｎ　
ｃｏｎ－
ｓｔｒｕｃｔ
ｅｄ　ｔｒ
ａｃｋ ｉ
ｎｇ　
ＳＳＥ　５０Ｉｎｄｅｘ　
ａｎｄ　ｅｖａｌｕａ
ｔｅｄ　ｗｉｔｈ　ｃ
ｒｉｔ
ｅ ｒ
ｉａ　ｓｕｃｈ　ａｓｉ
　ｎｆｏｒｍａｔ
ｉｏｎ　ｒａ
ｔｉｏ．Ｒｅ－
ｓｅａｒｃｈ　Ｆ
ｉｎｄｉｎｇｓ：Ｔｈｅ　
ｍｏｄｅ
ｌ ｃｏｎｓ
　 ｔ
ｒｕｃ
ｔ ｅｄ
　ｉｎ　ｔｈ
ｉｓ　ａ
ｒｔｉｃ
ｌｅ　ｃａｎ　ｂｅ　ａｐｐ
ｌｉｅｄ　ｉ
ｎ　ｂｕｉ
ｌｄｉｎｇ　
ｕｐ　ｓｐａ
ｒｓｅ
ｐｏ
ｒｔｆ
ｏｌｉ
ｏ　ｔ
ｒａｄ
ｉｎｇ　
ｏｆｆ
　ｂｅ
ｔｗｅ
ｅｎｔ
　ｒａ
ｃｋｉ
ｎｇ　
ｐｅｒ
ｆｏｒｍａｎｃ
ｅ　ａｎｄ　
ｅｘｃ
ｅｓｓ
　ｒｅ
ｔｕｒｎ．ＧＬＡＲＳ
　ｉｓ
　ｆｏｕｎｄ
　ｔｏ
ｏｕｔｐｅ
ｒｆｏｒｍ　ｒｅｇｕｌ
ａ ｒ
　ｐｒ
ｅｓｅ
ｔ　ｐａｒ
ａｍｅ ｔ
ｅｒ　ａ
ｌｇｏｒｉ
ｔｈｍｓｉ
　ｎ　ｓｏ
ｌｕｔ
ｉｏｎ
　ｆｉ
ｎｄｉｎｇ　ａｎｄ　ｃｏｍｐｕｔａ
ｔｉｏｎ　ｓｐｅｅｄ．
Ｒｅｓｅａｒｃｈ
　Ｉｎｎｏｖａ
ｔｉｏｎ ：
ｓ Ｔｈｉｓ
　ａｒ
ｔｉｃ
ｌｅ　ｉ
ｎｔｒｏｄｕｃ
ｅｓｔ
　ｕｎｉ ｐａ
ｎｇ　 ｒ
ａｍｅｔｅｒｓ
　ｆｏｒ　ｂａ
ｌａｎｃｉｎｇ
　ｔｒａ
ｃｋｉｎｇ　ｐｅｒ－
ｆ
ｏｒｍａｎｃ
ｅ　ａｎｄ　ｅｘｃ
ｅｓｓ
　ｒｅ
ｔｕｒｎ．Ａ　ｎｏｎ－ｎｅｇａ
ｔｉｖｅ
　ｃｏｎｓ
ｔｒａ
ｉｎｔ
　ｉｓ
　ａｐｐ
ｌｉｅｄ
　ｔｏ
　ｔｈｅ
　ｅｎｈａｎｃ
ｅｄ　ｉ
ｎｄｅｘ
ｔ
ｒａｃｋｉ
ｎｇ　ｍｏｄｅｌ
　ｉｎ　
ｃｏｎｓ
ｉｄｅｒａ
ｔｉｏｎ　ｏ
ｆ　ｔｈｅｆ
　ｅａｔｕｒｅｓｏ
　ｆ　
Ｃｈｉ
ｎａ ｓ
　ｔｏｃｋ　ｍａｒｋｅ
ｔ．ＧＬＡＲＳ　 ｃａｎ
　ｔｒ
ａｖｅｒｓｅ
ａ
ｌｌｐｏ
　 ｔｅｎ
ｔｉａ
ｌ　ｏｐ
ｔｉｍｕｍｓ　ｉｎ
　ｔｈｅ　ｔ
ｒａｄｅ－ｏｆ
ｆ　ｃｏｎ
ｔ ｅｘ
ｔ．Ｒｅｓｅａｒｃｈ　Ｖａｌ ：
ｕｅ Ｔｈｅ 　ｅｎｈａｎｃ
ｅｄｉ
　ｎｄｅｘ　ｔ
ｒａｃｋ－
ｉ
ｎｇ　 ｍｏｄｅｌ　ｐｒｏｐｏｓ
ｅｄ　ｉ
ｎ　ｔｈｉ
ｓ　ａｒ
ｔｉｃ
ｌｅｉ
　ｓ　
ｗｉｄｅ
ｌｙｆ
　ｅａ
ｓｉｂｌ
ｅ　ｉ
ｎ　Ｃｈｉ
ｎａｓ
　ｔｏｃｋ　
ｍａｒｋｅｔ．Ｉｔｈｅ
　 ｌ
ｐｓ　ｏｂｔ
ａｉｎ　ｅｘ－
ｃｅｓ
ｓ　ｒｅｔｕｒｎ　ｕｎｄｅｒｐｏ
　 ｒｔｆ
ｏｌｉｏｓｐａ
　 ｒｓｉ
ｔｙ，ｅｎｒ
ｉｃｈ
ｉｎｇ　ｔ
ｈｅ　ｃｕｒ
ｒｅｎｔ　
ｍｅｔｈｏｄｏｌ
ｏｇｙ　ｓｔ
ｕｄｉｅｓ
　ｏｎ　ｐｏｒｔ
ｆｏｌｉｏ
ｂｕ
ｉｌｄ
ｉｎｇ．
Ｋｅｙ　Ｗｏ
ｒｄｓ：Ｉ
ｎｄｅｘ　Ｔｒ
ａｃｋ
ｉｎｇ；Ｔｒ
ａｄｅ－ｏ
ｆｆ　Ｐａ
ｔｈ；Ｇｅｎｅ
ｒａｌ
ｉｚｅｄ　Ｌｅ
ａｓｔ　Ａｎｇ
ｌｅ　Ｒｅｇ
ｒｅｓ
ｓｉｏｎ；
Ｐｏ
ｒｔｆ
ｏｌｉ
ｏ　Ｓｐａ
ｒｓｉ
ｔｙ
ＪＥＬ　
Ｃｌａｓ
ｓｉｆ
ｉｃａ
ｔｉｏｎ：Ｃ４３；Ｃ５２；Ｃ６１
（责任编辑：焦云霞）