如何在R中实现带系数约束的OLS多元回归（有效资产混合分析）

该方法最早由Sharpe（1988、1992）提出，最初命名为有效资产混合分析（Effective Asset Mix Analysis），核心应用场景为：给定单只基金的收益率时间序列，求解与基金收益率拟合度最高的市场指数配置权重组合。

数学表达式 #

$$R_t = \sum_{j=1}^N W_j * R_{jt} + \varepsilon_t$$

参数说明 #

• $R_t$：基金在第t期的收益率
• $W_j$：第j个市场指数的配置权重
• $R_{jt}$：第j个市场指数在第t期的收益率
• $N$：纳入模型的市场指数总数量
• $\varepsilon_t$：第t期的模型残差项

硬约束条件 #

模型需要满足两类强制约束：

1. 权重和约束：所有指数权重之和$\sum W_j = 1$
2. 权重区间约束：单个指数权重满足取值范围$0 < W_j < 1$

本次待构建的是带约束的多元线性回归，无约束版本的R代码形式为：
lm(Return~RMRF+SMB+HML+RMW+CMA+WML)
对应6个因子的权重$W_1$到$W_6$需要满足：

• 权重和约束：$W_1+W_2+W_3+W_4+W_5+W_6 = 1$
• 区间约束：$0<W_1<1、0<W_2<1、0<W_3<1、0<W_4<1、0<W_5<1、0<W_6<1$

已构造完成的测试数据集R代码如下：

RMRF<-seq(0.1, 0.38, 0.01)

SMB<-seq(0.567, 3.43, 0.1)

HML<-c(0.2779847,   8.0264832,   5.3220615,   6.0018334,  -1.6453088,   0.8797469, -11.7401832,  6.6918100,  13.4933761, 29.4326627,  15.4784988,  12.7620389,  8.6609398,  13.5182957,  10.5642555,  16.2769744,  10.5017521,   6.8056429, 4.2213311,   3.9782718,   3.0807381,  -1.1463134,  -1.6779659,   2.1594784,   0.3175780,  -1.3537170,  -6.0749482, -14.1179519,  -7.1843946)

CMA<-c(4.4861560,  5.2225740,   5.0143182,   4.3095509,  -4.6995774,  -5.9131464 ,-18.6426615,  -8.4720251 , -8.8441047, 7.9143735,   4.7228250,   2.3323631,   0.7291851,   0.2228563,   4.5186684,  15.2056919,   8.6473266,   6.9853941, -3.5298969,   2.9377347,   1.0234615,   1.2489909,   0.4876903,   0.2682861,   0.4223881,  -1.2420955,  -2.7008911, -8.7600239,  -4.3200991)

WML<-c(1.2652667,  -4.9939866,  -9.3409655,  -7.8398924,   7.5834817,   5.2052111,  26.1681918,  -0.7340554,  14.2993323, -4.7537949,  -0.6015832,  -5.6729850,  1.0444217,  7.7401486,   8.1841650,   8.3217436,  -4.9279098,  -8.8318481, -13.0344319,   1.1946743,   7.6068103,   4.7373327,   4.3619793,  -5.6985077,  -1.1614607,  -2.7103998,  -0.6407941,  -1.7205889,  -3.5596958)

Return<-c(0.254833800,  0.529037900,  0.515281900, -0.051242010, -1.086244000, -0.244727100,  0.011298250, -0.006221349, -0.624509200, -0.816637000,  0.292818100,  0.813584700,  0.279639600, -0.325332300, -0.427709900, -0.486177300,  0.156662800,  0.834633400, 0.710158400,  0.502986200, -0.066646120, -0.581395500, -0.511287100,  0.335159300,  0.661496000,  0.439663200,  0.489402600, 0.053834020,  0.079386050)

RMW<-seq(0.06, 0.34, 0.01)

library(data.table)
table<-data.table(Return, RMRF, HML, CMA, SMB, WML, RMW)

基础lm()函数不支持同时带线性等式约束和变量区间约束的回归，Sharpe风格分析的标准实现是将问题转化为二次规划求解，这里用quadprog包完成计算。

实现步骤 #

1. 安装并加载依赖包

# 首次运行先执行安装
install.packages("quadprog")
library(quadprog)

2. 构造二次规划输入矩阵
   带约束最小二乘的目标是最小化残差平方和$||Y - X\beta||^2$，可以转化为标准二次规划形式：$\min_\beta \frac{1}{2}\beta^T D \beta - d^T \beta$，其中$D = 2X^TX$，$d=2XTY$。

# 提取自变量矩阵，风格分析默认不带截距项
X <- as.matrix(table[, .(RMRF, SMB, HML, RMW, CMA, WML)])
# 提取因变量（基金收益率）
Y <- table$Return

# 生成二次规划核心矩阵
Dmat <- 2 * t(X) %*% X
dvec <- 2 * t(X) %*% Y

3. 配置约束条件
   所有约束统一整理为$Amat^T \beta \geq bvec$的形式：

• 权重和为1的等式约束：拆成$\sum W_j \geq1$和$-\sum W_j \geq -1$两个不等式实现
• 权重开区间约束：用极小偏移量1e-8避开边界值，满足$0<W_j<1$的要求

# 构造约束矩阵
Amat <- cbind(
  # 权重和等于1的两个方向约束
  rep(1, 6),
  rep(-1, 6),
  # 所有权重大于0的约束
  diag(6),
  # 所有权重小于1的约束
  -diag(6)
)
# 构造约束阈值向量
bvec <- c(1, -1, rep(1e-8, 6), rep(-1 + 1e-8, 6))

4. 求解并提取结果

# 求解二次规划问题
sol <- solve.QP(Dmat = Dmat, dvec = dvec, Amat = Amat, bvec = bvec, meq=0)

# 提取各因子权重
weights <- setNames(sol$solution, c("RMRF", "SMB", "HML", "RMW", "CMA", "WML"))
# 计算模型拟合优度R²
y_pred <- X %*% weights
r2 <- 1 - sum((Y - y_pred)^2)/sum((Y - mean(Y))^2)

注意事项 #

• 输出的weights就是满足所有约束的因子权重，权重和严格等于1，所有权重落在(0,1)开区间内
• r2是模型拟合优度，代表所选因子组合对基金收益率的解释比例
• 如果运行提示约束不可行，说明当前因子池无法在要求的权重区间内满足权重和为1的约束，需要调整因子范围或者适当放宽约束条件。

内容的提问来源于stack exchange，提问作者Christina