黄进波，广东财经大学金融学院；李勇，对外经济贸易大学银行与金融学院及昆士兰大学商学院；姚海祥，广东外语外贸大学金融学院，于2018年在《Journal of Economic Dynamics & Control》期刊上发表了一篇题为《Index tracking model, downside risk and non-parametric kernel estimation》（指数追踪模型、下行风险与非参数核估计）的研究论文。
该研究属于金融工程与投资组合管理领域，旨在解决增强型指数追踪基金在控制下行风险并获取超额收益时所面临的计算难题。传统指数追踪模型，特别是当引入条件风险价值（Conditional Value-at-Risk, CVaR）作为下行风险约束时，通常采用线性规划（Linear Programming, LP）方法求解。然而，线性规划方法会引入大量辅助变量和约束，导致当样本量或资产规模扩大时，计算复杂度和时间急剧增加，限制了其在大规模资产配置中的应用。为了克服这一局限性，作者们提出了一个基于非参数核（Non-Parametric Kernel, NPK）估计的指数追踪模型框架，用以有效应对大样本情况下的计算挑战，并在理论和实证上证明其相较于线性规划方法的优越性。
该研究的核心工作流程分为理论构建、模拟检验和实证检验三个阶段。在第一阶段，作者们首先从理论上构建了一个带有CVaR约束的指数追踪模型，并证明了在γ≥1的条件下，该模型是一个凸优化问题，这保证了所求得最优解的唯一性和全局性。模型的目标函数被定义为一个在追踪误差（Tracking Error, TE）与超额收益（Excess Return）之间权衡的函数，通过调节参数λ可以将模型退化为指数复制模型（IRM, λ=1）、主动投资模型（AIM, λ=0）或增强型指数化模型（EIM, 0<λ）。接着，作者们创新性地摒弃了对资产收益率分布的传统假设，而是在一般分布下，利用非参数核估计方法分别推导了追踪误差和CVaR的核估计量。具体而言，他们利用高斯核函数和拇指法则（Rule of Thumb）选取带宽，导出了CVaR的NPK估计量。对于追踪误差，他们采用了一个更高阶的绝对偏差原点矩来衡量，并给出了其在任何阶数下的NPK估计量解析表达式。通过将这些核估计量嵌入到原优化模型中，最终构建了基于NPK的指数追踪模型（P_cvar_npk）。与之对比，他们也将传统方法构建为线性规划模型（P_cvar_lp）作为基准。在模型约束方面，该研究还全面考虑了交易成本约束、投资比例约束和初始头寸调整，并使用事前无偏贝塔准则（ex ante unbiased beta criteria）在指数成分股中进行预选股，从而在不引入海量二元变量的情况下解决了优化追踪组合的选股问题，大大降低了模型求解的复杂程度。
在第二阶段，即蒙特卡洛模拟分析阶段，作者们设计了一系列精度检验和效率检验来比较NPK模型与LP模型的性能。他们首先在正态分布、t分布和非对称拉普拉斯（AL）分布这三种设定下，推导了指数追踪模型的真实解析解作为比较基准。随后，通过模拟数据，从估计准确性和计算时间两个维度对两种方法进行评估。在样本量从250增至5000的样本量测试中，结果表明NPK方法在所有分布下均优于LP方法，均方误差（MSE）显著降低，且在t分布和AL分布下的提升更为明显，提升幅度最高可达82.14%。同时，NPK估计精度更高的频率（freq）不仅远超50%，其统计量z*检验也表明这种优势在1%的水平上具有统计显著性。在计算效率上，当样本量很大时，LP方法的计算时间急剧增加，而NPK方法的计算时间则保持稳定，优势显著。在投资组合规模从20扩大到400的规模测试中，估计精度上NPK方法同样持续优于LP方法。然而，计算时间的结论较为复杂：对于IRM和EIM，NPK方法在中等投资组合规模下表现更好；但对于AIM，LP方法所需时间更少。此外，他们还通过模拟市场状态进行了样本外测试，结果显示，在市场上涨和下跌的环境中，NPK方法在控制下行风险和获取超额收益方面均优于LP方法。
第三阶段是真实市场数据的实证检验。作者们选取了美国股票市场的标准普尔500指数（S&P 500）和英国股票市场的富时100指数（FTSE 100）成分股作为追踪标的，并将样本期分别划分为牛市和熊市两种市场环境进行测试。实证结果与模拟结果一致，有力地支持了NPK方法的优越性。在熊市环境中，所提出的NPK模型能够更为有效地控制下行风险，使得追踪投资组合在面临市场大幅下跌时遭受的损失更小。在牛市环境中，该模型则能获取更高的超额收益。文章指出，NPK模型在控制下行风险方面的优势，会导致其净值曲线相较于基准指数有所偏离，但这正是其获取更高超额回报的来源。
这项研究的核心结论是，本文构建的带有CVaR约束的NPK指数追踪模型，不仅能灵活适应多种投资目标（IRM、AIM、EIM），还在理论与实践上具有重要价值。其科学价值在于，它从理论上证明了一个具有CVaR约束的具有一般性的优化问题的凸性，并开创性地将非参数核估计方法引入到指数追踪和下行风险控制的框架中，解决了传统参数方法需要预设分布和线性规划方法计算负担过重的问题。其应用价值在于，该模型为大样本下的资产配置和风险管理提供了强有力的工具，尤其对养老基金、指数基金等需要严格控制跟踪误差和下行风险的机构投资者具有直接的指导意义。
该研究的亮点与创新点可总结为三个方面。首先，其测量方法新颖，通过采用高阶原点绝对矩来衡量追踪误差，使得该测度既是凸函数利于优化，又更具一般性，将以往文献中常用的绝对偏差等衡量方法作为其特例。其次，其研究框架高效，相较于传统LP模型引入大量辅助变量和约束，NPK模型下的决策变量和约束数量不依赖于样本量，极大缓解了大样本计算难题，是方法论上的一个关键贡献。再次，其处理方式巧妙，通过采用事前无偏贝塔准则进行成分股预选，巧妙地规避了传统优化模型中用于选股的复杂二元变量问题，在保留优化本质的同时显著降低了模型的求解难度，这是对现有文献过度关注算法而忽略追踪本质这一倾向的有力回应。