非正态分布投资组合优化咨询：optimize.portfolio适配及替代方法

Hey there! Let's break down your problem and solutions step by step. First off, I notice you're already using Expected Shortfall (ES) and maximizing the STARR ratio in your code—great call, because these metrics are explicitly designed to handle non-normal distributions (they focus on tail risk, unlike variance which relies heavily on normality assumptions). You're already on the right track!

1. 能否在optimize.portfolio中纳入自定义分布函数？ #

optimize.portfolio没有直接输入自定义分布的参数，但有几种适配非正态资产的变通方法：

• 使用非正态友好的目标函数：你已经在用ES作为风险度量，这完全适配非正态场景。除此之外，还可以加入偏度、峰度这类反映非正态性的目标，让组合更贴合资产特性：

  # 添加正偏度目标，偏好右尾收益的组合
  portf <- add.objective(portf, type="risk", name="skewness", arguments=list(symmetric=FALSE))
  

• 基于目标分布模拟收益数据：如果你的资产明确服从某类非正态分布（比如t分布、广义帕累托分布），可以先模拟符合该分布的收益数据，再传入优化函数。这里以t分布为例：

  library(MASS)
  # 用历史收益估计t分布参数
  t_fit <- fitdistr(hist_returns[,1], "t")
  # 模拟10000组符合该分布的收益数据
  sim_returns <- replicate(10000, rt(ncol(hist_returns), 
                                      df = t_fit$estimate["df"],
                                      mean = t_fit$estimate["m"],
                                      sd = t_fit$estimate["s"]))
  # 用模拟的非正态收益做优化
  optPort_sim <- optimize.portfolio(t(sim_returns), portf, 
                                    optimize_method = "ROI", 
                                    maxSTARR=TRUE, 
                                    trace=TRUE)
  

2. 非正态假设下的替代优化方法 #

如果optimize.portfolio的灵活性不够，这些方法专门针对非正态资产设计：

• 分位数回归优化：直接以特定分位数的收益为目标（比如95%分位数），完全不依赖分布假设。可以用quantreg包配合自定义优化逻辑实现。
• 鲁棒投资组合优化：针对分布不确定性设计，即使收益偏离假设的非正态分布，也能保证组合表现稳定。可以使用RobustPortfolioOpt包的相关工具。
• 机器学习驱动的优化：用随机森林、梯度提升树等模型拟合资产收益的条件分布，再基于拟合结果优化组合，适合复杂的非正态收益场景。
• Black-Litterman模型：如果对非正态资产有主观观点，这个模型能将市场均衡与你的见解结合，且对分布假设的要求远低于传统均值-方差优化。

针对你现有代码的小提示 #

我注意到你把前两个资产的权重固定为0.1，最后两个固定为0.3（min和max数值相同）。如果这些不是硬性的监管或策略约束，可以考虑放宽范围——这能让算法在非正态假设下找到更优的权重分配。

内容的提问来源于stack exchange，提问作者Emil