Điểm Chính
Vấn Đề
Các mô hình tối ưu hóa cực kỳ nhạy cảm với dữ liệu đầu vào (Alpha).
Treynor-Black
Dùng cho quản lý chứng khoán riêng lẻ. Cần điều chỉnh Alpha (Shrinkage).
Black-Litterman
Dùng cho phân bổ tài sản vĩ mô. Kết hợp quan điểm cá nhân & thị trường.
Thách Thức Thực Tiễn
Từ lý thuyết đến thực hành là một khoảng cách lớn.
"Tối ưu hóa trung bình-phương sai cực kỳ nhạy cảm với các giả định lợi nhuận kỳ vọng."
— Fischer Black & Robert Litterman
Thay đổi nhỏ trong dự báo $\rightarrow$ Thay đổi khổng lồ trong tỷ trọng danh mục.
Mô hình Treynor-Black
Vấn đề của việc áp dụng máy móc các dự báo lạc quan.
Áp dụng Trực tiếp
- Alpha dự báo lớn.
- Tỷ lệ Sharpe ảo: 2.32 (quá cao).
- Vị thế: Mua 579% / Bán khống 479%.
Cần Giải Pháp
Chúng ta cần các kỹ thuật để "thuần hóa" mô hình này cho thế giới thực.
Giải Pháp Cho TB
1. Hạn chế Tracking Error
Giới hạn rủi ro so với danh mục chuẩn (Benchmark).
2. Điều chỉnh Alpha (Shrinkage)
Thừa nhận sự không chắc chắn của dự báo.
Vì $R^2$ lịch sử thường rất thấp (~0.001), các dự báo Alpha "hoang dã" (12%) sẽ bị co lại về mức thực tế (0.012%), giúp ổn định danh mục.
Mô hình Black-Litterman
Khuôn khổ Bayesian để phân bổ tài sản vĩ mô.
Dữ liệu Thị trường
(Cân bằng)
Quan điểm
Nhà quản lý
Kỳ vọng Hậu nghiệm
(Tối ưu)
Ưu điểm: Cho phép nhà quản lý đưa ra quan điểm tương đối (Ví dụ: "Trái phiếu sẽ tốt hơn Cổ phiếu 0.5%") với độ tin cậy cụ thể.
So Sánh TB vs BL
Hai công cụ bổ sung cho nhau, không phải thay thế.
- Phạm vi: Vi mô (Chứng khoán lẻ)
- Dự báo: Alpha tuyệt đối
- Độ tin cậy: Khách quan ($R^2$)
- Phạm vi: Vĩ mô (Phân bổ tài sản)
- Dự báo: Quan điểm tương đối
- Độ tin cậy: Chủ quan
Giá Trị Của Quản Lý Chủ Động
Ngay cả khi khả năng dự báo thấp ($R^2 \approx 0.001$), việc áp dụng có hệ thống trên quy mô lớn vẫn tạo ra giá trị.
Phí hàng năm
có thể tính thêm
M-Square
(Hiệu suất tăng thêm)