13.

1 Overview
Các chương 8–12 đã đề ra cách tiếp cận cổ điển để tối ưu hóa danh mục đầu tư, lần đầu tiên
được giải thích bởi Harry Markowitz vào những năm 1950 và sau đó được mở rộng bởi
Sharpe (1964), Lintner (1965) và Mossin (1966). Markowitz, Sharpe, Lintner và Mossin đã
thay đổi mô hình quản lý đầu tư. Trước Markowitz và cộng sự, các nhà đầu tư cá nhân đã biết
rằng họ nên “đa dạng hóa” chứ không phải “bỏ tất cả trứng vào một giỏ”. Nhưng Markowitz
và những người theo sau ông đã đưa ra ý nghĩa thống kê và triển khai cho những lời sáo rỗng
này. Lý thuyết danh mục đầu tư hiện đại (MPT) đã thay đổi cách các nhà đầu tư thông minh
thảo luận về đầu tư. Tuy nhiên, MPT đã gây thất vọng. Có thể thoát khỏi cuộc thảo luận tiêu
chuẩn trong sách giáo khoa về tối ưu hóa danh mục đầu tư với ấn tượng rằng một bộ quy tắc
tối ưu hóa máy móc cố định, kết hợp với một chút kiến thức về sở thích cá nhân, đủ để xác
định danh mục đầu tư tối ưu của nhà đầu tư. Vấn đề chính với việc thực hiện máy móc tối ưu
hóa danh mục đầu tư là dữ liệu về lợi tức tài sản trong quá khứ tạo ra những dự đoán xấu cho
lợi tức tài sản trong tương lai. Ước tính hiệp phương sai giữa lợi nhuận tài sản và ước tính lợi
nhuận kỳ vọng - nền tảng của lý thuyết danh mục đầu tư - từ dữ liệu lịch sử thường tạo ra
những con số khó tin. Trong Chương 10, chúng ta đã đề cập đến một số vấn đề này trong bối
cảnh ước lượng ma trận phương sai- hiệp phương sai. Ở đó, chúng tôi đã chỉ ra rằng dữ liệu
lịch sử có thể không phải là cách tốt nhất để ước tính ma trận này—các phương pháp khác,
đặc biệt là cái gọi là phương pháp “thu nhỏ”—có thể tạo ra các ước tính hiệp phương sai
đáng tin cậy hơn. Trong chương này, chúng ta tiến xa hơn một bước. Chúng tôi minh họa các
vấn đề về tối ưu hóa danh mục đầu tư tiêu chuẩn bằng cách sử dụng bài toán danh mục đầu tư
gồm 10 tài sản. Việc tối ưu hóa MPT cho dữ liệu của chúng tôi tạo ra một danh mục đầu tư
“tối ưu”, với nhiều vị thế mua và bán khổng lồ. Thật không may, các vấn đề về tối ưu hóa
danh mục đầu tư được minh họa trong ví dụ của chúng tôi không phải là bất thường. Sử dụng
dữ liệu một cách máy móc để có được danh mục đầu tư “tối ưu” đơn giản là không hiệu quả.
Năm 1991 Fischer Black và Robert Litterman của Goldman Sachs đã công bố một cách tiếp
cận giải quyết nhiều vấn đề về tối ưu hóa danh mục đầu tư. Black và Litterman bắt đầu với
giả định rằng một nhà đầu tư chọn danh mục đầu tư tối ưu của mình từ một nhóm tài sản nhất
định. Nhóm tài sản này—nó có thể là Chỉ số Standard & Poor's 500, Russell 2000, hoặc sự
kết hợp của các chỉ số quốc tế—xác định khuôn khổ trong đó nhà đầu tư lựa chọn danh mục
đầu tư của mình. Khối lượng tài sản của nhà đầu tư xác định danh mục đầu tư chuẩn.
Trong chương này, chúng ta bắt đầu với một minh họa về các vấn đề của MPT. Sau đó,
chúng tôi tiếp tục minh họa phương pháp Black-Litterman.
13.2 A Naive Problem
Chúng tôi bắt đầu với một vấn đề ngây thơ, mặc dù mang tính đại diện: Quỹ Super Duper đã
thiết lập danh mục đầu tư chuẩn của mình thành một danh mục bao gồm 10 cổ phiếu hàng
đầu. Joanna Roe, một nhà phân tích danh mục đầu tư mới của Super Duper Fund, đã quyết
định sử dụng lý thuyết danh mục đầu tư để đề xuất các danh mục đầu tư nắm giữ tối ưu dựa
trên tiêu chuẩn này. Màn hình bên dưới hiển thị dữ liệu giá hàng tháng trong 5 năm đối với
các cổ phiếu này kể từ ngày 1 tháng 7 năm 2006 (lưu ý rằng một số hàng đã bị ẩn):
Naive Optimization:
Sử dụng dữ liệu thu được, Joanna tính toán ma trận phương sai-hiệp phương sai mẫu của lợi
nhuận vượt mức như minh họa trong Chương 10. Để thực hiện tối ưu hóa danh mục đầu tư,
cô ấy cần dữ liệu về lãi suất tín phiếu kho bạc: Lãi suất tín phiếu kho bạc ngày 1 tháng 7 năm
2006 là 4,83% hàng năm và 4,83%/12 = 0,40% hàng tháng. Sử dụng ma trận phương sai hiệp
phương sai, tỷ lệ tín phiếu kho bạc và lợi nhuận trung bình lịch sử, cô ấy tính toán một danh
mục đầu tư “tối ưu” bằng cách giải phương trình:
Ma trận HPS: S-1 nhân cho ma trận TSSL trung bình - hằng số rs chia cho sum tổng
Tại sao lại gọi là “Tối ưu hóa một cách khờ khạo”? -> Chỉ cần sai số dẫn đến tối ưu hóa bị
sai. Khi 2 ma trận bị sai không chính xác thì việc tối ưu hóa không chính xác (Dữ liệu quá
khứ, TSSL trung bình thay đổi,..)
Why Does Naive Optimization Fail?
Một số lợi nhuận trung bình lịch sử là âm. Nếu chúng ta bỏ qua ảnh hưởng của các mối tương
quan, lợi nhuận kỳ vọng âm sẽ hàm ý một vị thế bán cổ phiếu.
Tuy nhiên, có một câu hỏi triết học sâu sắc hơn về việc sử dụng lợi nhuận trong quá khứ làm
đại diện cho lợi nhuận kỳ vọng trong tương lai: Mặc dù lợi nhuận trong quá khứ là âm, nhưng
không có lý do gì để cho rằng điều này có nghĩa là lợi nhuận kỳ vọng trong tương lai từ một
cổ phiếu sẽ âm. Đây là một trong những vấn đề khi chúng ta sử dụng dữ liệu lịch sử để rút ra
những dự đoán về tương lai.
EXCEL:
308:
Benchmark P: Tỷ trọng sẽ bằng GT vốn hóa trên tổng vốn hóa -> Tỷ lệ đầu tư rót vào mỗi
chứng khoán, cứ theo tỷ lệ đó mà làm -> Tỷ trọng đầu tư là tỷ trọng tối ưu nhất
Return Sigma: =STDEVP(B10:B69)
=LN('Page 307'!B8/'Page 307'!B7)
310: Dữ liệu quá khứ không ảnh hưởng đến tương lai
=MMULT(TRANSPOSE('Page 308'!B10:K69-'Page 308'!B6:K6),('Page 308'!B10:K69-'Page
308'!B6:K6))/59
Mean Return: =TRANSPOSE('Page 308'!B6:K6)
Optimal Portfolio:
=MMULT(MINVERSE(B8:K17),M8:M17-B19)/SUM(MMULT(MINVERSE(B8:K17),M8:
M17-B19)) -> Nhân ma trận nghịch đảo của ma trận HPS cho ma trận tssl trung bình - hằng
số sau đó chia cho tổng
311:
GM - GM=CORREL($B$24:$B$83,B24:B83) ;
HD - HD: =CORREL($C$24:$C$83,C24:C83) ;
IP - IP =CORREL($D$24:$D$83,D24:D83)
Excess returns: ='Page 308'!B10:K69-'Page 308'!B6:K6
312:
=B7*B39:K48+(1-B7)*B52:K61
Mean Return: =TRANSPOSE('Page 308'!B6:K6)
Optimal Portfolio:
=MMULT(MINVERSE(B11:K20),M11:M20-B22)/SUM(MMULT(MINVERSE(B11:K20),
M11:M20-B22))
Variance - Covariance: ='Page 310'!B8:K17
Pure dianogal: =IF(B51:K51=A52:A61,B39:K48,0)