本研究由Stevens Institute of Technology商学院的Zhaokun Cai、Zhenyu Cui和Majeed Simaan三位学者共同完成，论文题为《Partial Index Tracking Enhanced Mean–Variance Portfolio》，于2024年发表在学术期刊《International Journal of Finance & Economics》上。该研究致力于解决现代投资组合理论中一个长期存在的核心难题——参数估计误差对均值-方差（Mean–Variance, MV）投资组合实际表现的不利影响。
自Markowitz（1952）开创性地提出均值-方差（MV）范式以来，该理论便成为现代金融投资组合理论的基石，被学术界和实务界广泛接受。然而，在实际应用中，投资者必须估计模型的两个核心输入参数：预期收益向量和协方差矩阵。这一估计过程不可避免地会引入估计误差（Estimation Error），导致投资组合在样本外（Out-of-Sample, OOS）表现不佳。文献中一个公认的观点是，相比协方差矩阵，预期收益的估计误差更为严重。因此，近年来许多研究开始关注仅需估计协方差矩阵的全局最小方差（Global Minimum Variance, GMV）投资组合。
尽管如此，GMV投资组合依然受制于协方差矩阵的估计风险。为缓解这一问题，学界提出了多种方法，包括施加卖空约束、线性收缩（Linear Shrinkage）和非线性收缩（Nonlinear Shrinkage）估计量等。这些收缩方法通过寻找偏差与方差之间的最优权衡，获得稳健的协方差估计，从而构建增强的样本外投资组合。其中，Ledoit和Wolf（2003b, 2004）提出的线性收缩法将样本协方差矩阵向一个高度结构化的目标矩阵收缩，而非线性收缩法则对样本协方差矩阵的特征值进行收缩。
另一广受实务界认可的决策规则是指数追踪（Index-Tracking）投资组合。尽管在追踪误差约束下，投资组合在事前（Ex-Ante）是均值-方差次优的，但研究显示，这种“次优性”在事后（Ex-Post）能带来稳健性的提升。基于指数追踪的潜在益处，本研究提出了一个核心问题：是否存在一个投资者应该瞄准的最优指数追踪强度？这一问题引出了部分指数追踪（Partial Index Tracking）的概念。本研究旨在通过解析和实证方法，探究在均值-方差有效投资组合（MVEP）与均值增强追踪误差投资组合（MTEP）之间进行线性组合的价值，以提升样本外表现。
本研究的工作流程主要分为理论推导和实证检验两大阶段。
第一阶段：理论模型推导与解析表达式构建
研究的起点是构建部分指数追踪投资组合的优化问题。研究者在均值-方差框架下，使用一个参数λ（取值范围0到1）来线性组合投资组合方差和追踪误差，λ即为指数追踪强度。该优化问题的最优解形式为：x_part = α₀ + (1/κ)α₁ + λα₂，这是一个三基金分离定理的形式。其中，α₀是GMV投资组合，α₁和α₂是两个套利投资组合，分别对应均值-方差有效组合和追踪误差组合。
研究的核心理论贡献在于，为了确定最优的λ值，研究者提出了最小化均方误差（Mean Squared Error, MSE）的决策准则。具体而言，他们将样本部分指数追踪投资组合权重相对于真实MV投资组合权重的MSE作为损失函数，并推导出其解析表达式。这个MSE函数是参数λ的二次函数。研究者通过最小化该函数，推导出了最优追踪强度λ*的闭式解（Closed-form Solution）。特别地，当将该方法应用于GMV投资组合时，得到了一个更简洁的最优λ解析式。这一理论结果表明，所提出的“收缩投资组合”（Shrank Portfolio）比样本MVEP具有更低的MSE，这预示着更好的样本外稳健性。
此外，研究者还从理论上探讨了其方法与Ledoit和Wolf线性收缩投资组合之间的关系。通过公式推导发现，尽管无法直接求逆得到λ与线性收缩强度λ_lw的显式函数，但两者之间存在一一对应的映射关系，表明部分指数追踪可被视为一种直接作用于投资组合权重的收缩技术，而非对协方差矩阵输入进行收缩。
第二阶段：实证设计与基准比较
实证研究使用了四组Fama-French行业投资组合数据集，分别包含10、17、30和48个行业组合，所有数据均为1970年1月至2019年12月的月度收益率。市场指数采用所有CRSP美国上市公司的市值加权收益率。
研究采用滚动窗口（Rolling Window）程序进行回测，使用两种方法估计参数λ：一种是利用第一阶段推导出的解析表达式进行样本估计；另一种是文献中常用的交叉验证（Cross-Validation, CV）方法，即“90-10”规则。研究者将所提出的策略与多个常见基准策略进行样本外表现比较，包括：等权重（Naive, 1/N）策略、样本GMV策略、无卖空约束GMV策略（Jagannathan & Ma, 2003）、线性收缩策略和非线性收缩策略。评价指标包括年化夏普比率、标准差、换手率和追踪误差。
一、参数λ估计及与其他收缩强度的关系 滚动窗口估计结果显示，无论使用解析表达式方法（λ_ex）还是交叉验证方法（λ_cv），λ的估计值在整个测试期内趋势一致且稳定。在经济衰退期，市场不确定性增加，估计误差增大，λ值通常会上升，表明需要更大的指数追踪强度来缓解估计风险。同时，将λ与Ledoit和Wolf的线性收缩强度进行比较发现，二者不仅在数值量级上相似，而且呈现出相似的变动趋势，特别是在衰退期开始时均表现出上升，这从实证上验证了理论部分关于二者存在内在联系的结论。
二、样本外夏普比率和波动率表现 在所有测试案例中，部分指数追踪策略的夏普比率均优于样本GMV策略，且在大多数情况下优于等权重策略。与线性收缩和非线性收缩策略相比，其夏普比率表现具有一致性，且在资产数量较少时表现更佳。在总风险（标准差）方面，所提策略的风险水平始终低于等权重和样本GMV策略，并与收缩策略相当，有效地增强了投资组合的风险控制能力。
三、换手率和追踪误差表现 在换手率方面，部分指数追踪策略优于样本GMV策略，表现出更好的权重稳定性。虽然在部分案例中其换手率略高于线性和非线性收缩策略，但相差不大。该研究最突出、最具特色的发现在于追踪误差。结果显示，在所有八个测试场景中，施加了无卖空约束的部分指数追踪策略的追踪误差均为最小，其水平与市场贴合度极低的等权重策略相当，并且显著优于线性收缩和非线性收缩策略。即便是不加约束的部分指数追踪策略，其追踪误差也远小于两种收缩策略。这表明，该策略在实现与收缩方法相似的稳健性和风险调整后收益的同时，能更紧密地跟踪市场基准。
本研究得出结论，所提出的部分指数追踪投资组合在事前虽非均值-方差有效，但通过最小化MSE确定的最优追踪强度，能有效降低估计误差，从而在事后获得更优的风险调整后收益。该方法不仅在稳健性上与主流的线性和非线性收缩技术表现一致，更关键的是，它能实现更低的追踪误差。这一“双重目标”的实现——即同时获得稳健的样本外投资组合和优异的相对表现——是该策略的核心优势与价值所在。
科学价值：研究从解析角度首次探索了部分指数追踪的思想，推导出最优追踪强度的闭式解，为投资组合收缩技术应用于权重本身提供了坚实的理论基础。它将主动与被动投资管理的讨论推向了一个新的层面，即通过“部分”追踪来实现两者偏差与方差的最优平衡。
应用价值：对于资产管理者而言，相对业绩（即追踪误差）至关重要。该策略在提升夏普比率的同时能大幅降低追踪误差，意味着基金经理可以在不显著偏离基准风险敞口的情况下，追求超额收益，这对于以战胜基准为目标的主动型基金或有严格风险预算的机构投资者具有极高的实践指导意义。
本研究的主要亮点在于：第一，创新性地提出了“部分指数追踪”的概念，并给出了最优追踪强度的解析解，区别于以往研究中完全追踪或完全不追踪的二选一模式。第二，明确揭示了部分指数追踪与协方差矩阵收缩之间的内在联系和实证一致性，为理解两者的运作机制提供了新视角。第三，在实证中强调了策略在“相对表现”（即追踪误差）上的独特优越性，这是传统收缩方法未能有效解决的问题，从而为部分指数追踪的吸引力提供了新的、强有力的证据。