基于小波-高階矩模型的投資組合策略
——以國際原油市場為例

朱鵬飛，唐 勇，鐘 莉

(1. 福州大學經濟與管理學院，福建 福州 350116；2. 金融數學福建省高校重點實驗室(莆田學院)，福建 莆田 351100；3. 福建省金融科技創新重點實驗室，福建 福州 350116)

1 引言

石油作為當今世界上最重要的能源之一，已經滲透到各個工業部門，在國民經濟發展過程中扮演不可替代的角色，被稱為“工業之血”[1-2]。作為最大發展中國家的中國，近年來對于石油的需求與日俱增，2013年9月超越美國，成為世界上最大的原油進口國家，同時中國石油對外依存度也提升到了61.7%，引起了社會各界的關注[3]。

國際原油價格的波動將會影響一國經濟的發展，社會的穩定以及民眾的福祉[4]，但是由于全球政治經濟形勢的不明朗以及諸多因素的影響，導致國際原油價格波動劇烈，暴漲暴跌現象屢見不鮮。早在2003年到2008年期間，受益于新興經濟體的蓬勃發展，國際原油價格一直處于上漲通道，紐約油價一度創下了每桶147.27美元的歷史最高價。但是隨后受美國次貸危機的沖擊，紐約油價一瀉千里，跌幅高達75%。在經歷了數年牛市后，脆弱的供需平衡再次被打破，2014年10月國際原油價格“歷史重現”，紐約油價跌幅甚至達到67%。大量的已有研究表明，構建跨市場的投資組合能有效的減少乃至規避風險，為投資者帶來穩定的收益[5]。因此，在國際油價變動劇烈的背景下，構建跨多個原油市場的投資組合將會具有一定的理論與現實意義。

由Markowitz提出的均值-方差模型(Mean-Variance，M-V)[6]奠定了現代投資組合理論的框架，并得到不斷的改善[7-8]。《巴塞爾協議》將VaR作為風險度量的工具，使得傳統投資組合研究轉化為如何實現VaR最小化問題[9-10]，但是均值-VaR投資組合模型存在非一致性的缺陷[11]，而CVaR的使用恰好解決此問題。Krokhmal等[11]對均值-VaR和均值-CVaR投資組合模型的優劣進行了比較，證明了均值-CVaR模型的優勢性。張翼等[12]實證結果證明了均值-CVaR模型納入Copula函數后，能夠更為有效且準確地預測投資組合的CVaR。Liu等[13]構建GARCH-Copula-CVaR投資組合模型，結果表明該方案的效果明顯優于對照組，在降低組合風險同時提升了組合的收益。

在傳統的均值-方差投資組合框架中，金融資產的回報和風險分別以其均值來和方差來描述。該模型成立的假設條件是投資者具有二次效用函數或收益服從正態分布，然而這兩種情況實際上卻難以存在，同時大量的實證結果已表明收益率序列往往表現出尖峰肥尾特征[14]。雖然VaR和CVaR隱含了一些高階矩信息，能夠在一定程度上反映收益的尖峰肥尾分布[15]，但不同風險偏好投資者對于高階矩風險偏好不同，例如非絕對厭惡風險的投資者往往偏好收益率右偏分布以及較低的峰度[16]，這些都是傳統均值-VaR和均值-CVaR投資組合模型難以滿足的。一些學者將高階矩估計引入到均值-方差模型中，擴展為均值-方差-偏度-峰度模型(Mean-Variance- Skewness- Kurtosis， M-V-S-K)，該模型通過放松收益率服從正態分布的假設擴展了其適用性和有效性，例如：蔣翠俠等[17]考慮到高階矩風險的時變特征，構建高階矩動態組合投資模型，從理論和實證兩個方面證實高階矩模型的有效性和可行性。Martellini和Ziemann[18]引入高階矩思想到協方差矩陣和余弦參數的估計過程中，結果表明使用新的包含高階矩估計產生的投資組合將會明顯改善投資者的福利。Nguyen[19]提出了一種新的模糊集合投資組合選擇模型，利用資產的邊際效應對投資組合的高階矩進行模糊多目標線性規劃，實證結果表明該方法較以前的投資組合模型更為有效。Chen Wei等[20]基于不確定性理論，在考慮投資者對于不同階矩風險偏好的基礎上，提出了一種不確定多目標投資組合優化模型，并用花朵授粉算法進行求解，實證結果表明其可行性和優勢性。

金融市場投資者往往具有異質特征，金融市場在同一時期交易是由不同頻率(周期)構成，由此產生的金融時間序列兼有時域和頻域雙重特征，采用單一時域模型并不能準確刻畫金融時間序列間的相依結構[21-22]。以上的投資組合模型恰恰忽略了多時間尺度的價值，并不能刻畫頻域上的復雜特征，實際上也難以滿足投資者多樣化的實際需求。小波理論被稱為“數學顯微鏡”，其優勢在于可以根據異質性時間層次對市場劃分，在時頻分辨率上分解時間序列，充分挖掘多時間尺度的豐富信息。然而諸如Wang Gangjin等[23]、Jena等[24]以及王瑩[25]基于小波視角，雖然研究方法、內容及對象不同，但都只是對金融市場復雜機理和特征進行檢驗和分析，并沒有同投資組合、套期保值等金融實踐活動形成有效銜接，制約了小波理論的應用范疇。

鑒于此，本文的創新點和主要貢獻在于：(1)將極大重疊離散小波變換研究方法引入到高階矩投資組合框架中，提出小波-高階矩投資組合模型。該框架一方面能夠處理具有不連續、非平穩、尖峰肥尾等復雜特征的金融時間序列。另外一方面針對金融時間序列兼有時-頻域雙重特征，其能夠充分利用多時間尺度價值，挖掘高頻部分和低頻部分的各階矩特征，為不同交易周期投資者提供差異化的投資組合方案。(2)借鑒Zhang等[26]、Li Fangfang等[27]基于EMD方法提出的“分解-預測-集成”思想，本文將分解后各個時間尺度上的高階矩投資組合進行重構，得到頻域視角下的高頻尺度集成方案和時-頻域視角下的全尺度集成方案，該重構方案充分挖掘和利用高頻部分和低頻部分的信息，兼顧不同交易周期的需求，將會為投資者提供更優的資產配置策略。(3)考慮到投資者除了異質性特征外，還具有不同的風險偏好特征[20]。本文將這些風險特征納入到小波-高階矩投資組合模型中，通過對比國際原油投資者97種不同風險特征在各個時間尺度上的投資效果，遴選出恰當風險偏好特征來構建更高效的資產配置方案，并經過不同市場環境的穩健性檢驗，證明其可靠性。以上這些研究內容都是以往文獻鮮有涉及到的。

2 研究方法

2.1 極大重疊離散小波變換方法

極大重疊離散小波變換方法(Maximal Overlap Discrete Wavelet Transform，MODWT)憑借著適合任何樣本容量、平移不變性等優勢，已得到廣泛地使用[28-30]。參照文獻[28-30]，鑒于LA(Daubechies Least Asymmetric)小波函數的優勢，本文在此采用濾波器寬度為8的LA小波函數。MODWT方法具體步驟如下：

(1)

(2)

便可以得到J個向量小波系數和一個向量尺度系數分別為：

(3)

(4)

時間序列{xt}和{yt}在尺度τj=2j-1上小波協方差定義為[31]：

(5)

根據文獻[31]，定義小波偏度S(τj)和峰度k(τj)如下：

(6)

(7)

依據此，也可以推斷出對應的協偏度和協峰度公式，例如

x、y分別代表不同變量，sxyy(τj)、kxyyy(τj)、kxxyy(τj)以此類推。

2.2 小波-高階矩投資組合模型構建

大量文獻表明在市場呈現過度峰態和肥尾特征時，高階矩風險度量更為重要[16]。鑒于此，一些學者將均值-方差模型(Mean-Variance， M-V)擴展為均值-方差-偏度-峰度模型(Mean-Variance- Skewness- Kurtosis， M-V-S-K)[17-20]，其謀求實現均值和偏度最大、方差和峰度最小的四目標，具體模型詳見公式(8)如下[16]：

(8)

鑒于金融市場存在時域和頻域雙重特征，以上的四階投資組合模型無法利用多時間尺度的豐富信息，并不能刻畫頻域上的復雜特征，實際上難以符合不同交易周期和交易頻率的投資者差異化需求。鑒于此，本文將極大重疊離散小波變換方法與均值-方差-偏度-峰度模型結合，提出了小波-四階矩投資組合模型，如下：

j=1,2…J

(9)

(10)

參考文獻[16-17]，本文采用多項式目標規劃方法(Polynomial Goal Programming，PGP)對公式(9)進行求解。PGP方法是將公式(9)各種目標拆分成四個單目標，接著再將四個單目標合并成一個單目標函數。具體來看：

首先計算各個單目標最優水平，Rj(X)*、Vj(X)*、Sj(X)*、Kj(X)*分別代表在不考慮其他目標情況下單目標最優值，計算步驟詳見公式(11)～(14)，其中j=1,2…J，如下：

(11)

(12)

(13)

(14)

j=1,2…J

(15)

2.3 集成小波-高階矩投資組合方案

根據Maharaj[32]的研究，金融時間序列之間的矩風險聯動對時間尺度是敏感的，反映出各個頻率(周期)投資者的行為特征。Zhang等[26]、Li Fangfang等[27]等基于EMD方法提出了“分解-預測-集成”思想，他們認為模型的綜合集成可以最大限度地利用各個模型優勢，采用更多的預測信息，是提高預測性能的有效方法。本文借鑒該思想，在小波-高階矩投資組合模型基礎上，分別提出高頻尺度集成方案和全尺度集成方案，最大限度的利用各個時間尺度的優點，采用豐富的多時間尺度價值，考慮不同交易周期行為特征。

(16)

其中xij代表第i種資產基于小波-高階矩投資組合模型在j層上的權重，根據公式(15)可得，gxi則代表第i種資產的高頻尺度集成部分的權重。gxi基于頻域視角，最大限度的利用高頻部分各個時間尺度豐富的細節信息，綜合反映了短期和中期的趨勢變動。

長期時間尺度(低頻部分)表征的是時間序列的總體趨勢，對應極大重疊離散小波變換低頻部分，雖然信號變換最為粗糙，但是卻能基于時域視角刻畫和提取金融信號的基本特征[38]，基于此，構建以下的全尺度集成方案：

(17)

其中xij定義如上，XiJ代表第i資產基于小波-高階矩投資組合模型在長期尺度上的權重，根據公式(15)可得，qxi則代表第i種資產的全尺度集成部分的權重。qxi基于時-頻域雙重視角，最大限度的利用高頻部分的細節信息和低頻部分的的基本特征，綜合反映了短、中、長期的趨勢變動。

3 實證分析

3.1 數據描述與處理

美國西德克薩斯輕質原油(簡稱為WTI)、英國北海布倫特輕質低硫原油(簡稱為Brent)、迪拜酸性原油(簡稱為Dubai)并稱為國際原油價格三大指數[3]。在此選擇WTI原油現貨指數、Brent原油現貨指數、Dubai原油現貨指數的日價格數據作為研究對象，前兩者數據來源于EIA(美國能源信息署)，后者數據來源于鳳凰財經網。總樣本數據區間從2006年10月11日到2018年5月16日，刪除非共同交易日，各包含2800個交易日，指數均以美元計價。

對三個原油指數采用對數差分處理，得到各自的收益率序列，基于Eviews8.0軟件對收益率序列進行統計描述，詳見表1。表1顯示，三個序列“尖峰肥尾”特征表現顯著，并不服從正態分布。同時，Q統計量在滯后20和30階時，均自相關特征顯著。ADF單位根檢驗結論表明序列均是平穩的。

表1 統計性描述

3.2 樣本外檢驗結果分析

評價一個模型的效果如何，關鍵取決于樣本外預測效果[33]。因此，本文基于滾動窗口方式，進行樣本外預測檢驗和分析，具體來看：以2006年10月11日到2015年10月12日區間即約9年共計2171個數據為第一次估計樣本區間，對2015年10月13日最優投資組合權重進行預測，并以此為依據構建投資組合。以此類推，以第i個交易日前2171個交易日作為滾動窗口區間(窗口長度固定為2171)，基于此來對第d1個交易日的最優投資組合權重進行預測，持續滾動向前一步預測，共進行629次模型估計，獲取樣本外629個交易日的最優投資組合權重配置方案。

利用上述的滾動窗口技術，基于本文提出的小波-高階矩投資組合模型，暫設不考慮投資者風險偏好即假設{λj}={1,1,1,1}，根據公式(15)進行各個時間尺度的樣本外預測，滿足原油市場投資者不同交易周期的實際需求。接著根據公式(16)～(17)，構建高頻集成和全尺度集成兩個資產配置方案，分別從頻域視角和時-頻域視角進行集成預測。參考文獻[34-35]并根據估計樣本區間長度，選擇最大分解層數J=4即4層高頻部分和1層低頻部分。以下分別用d1～d4表示高頻部分，a4表示低頻部分，各個時間尺度含義見表2，如下：

表2 小波時間尺度含義

在此選擇單一市場、等權重、M-V-S-K、M-V-S、M-V-K、M-V、Mean-CVaR(90%、95%、99%)、Mean-VaR(90%、95%、99%)14組策略作為對照組進行比較。M-V-S-K、M-V-S、M-V-K、M-V模型建模過程詳見文獻[16]，Mean-CVaR和Mean-VaR模型建模過程詳見文獻[11]，在此不再贅述。全文均采用MATLAB2016a軟件進行模型估計和運算。參考以往文獻[13]、[17]、[36]做法，選用日均收益率、波動、夏普比率及效用作為評價指標，見表3和表4，如下：

表3 對照組樣本外檢驗結果

表4 小波-高階矩投資組合模型樣本外檢驗結果

由表3～4可知，與傳統對照組相比，小波-高階矩投資組合策略在絕大部分尺度上表現較好，具體分析如下：

(1)從收益率角度來看，除了長期尺度a4外，高頻部分和集成部分的小波-高階矩投資組合模型均優于所有對照組，這說明較傳統模型而言，本文提出的小波-高階矩投資組合模型能為不同交易周期投資者提供更高的收益。

(2)從波動角度來看，大部分的小波-高階矩策略依然能夠同時優于全部對照組，具有良好的避險能力。但是短中期尺度d1、d2、d3表現較差，未能取得良好的降低風險效果。該現象出現的原因可能與樣本外區間范圍內市場經歷了暴漲暴跌有關，短期極端信息不斷沖擊投資者的脆弱心理，誘發的“動物精神”[37]將會驅使投資者做出不理智行為，尤其是在短中期交易行為上表現最為明顯。

(3)從夏普比率來看，除了低頻部分a4外，高頻部分和集成部分的小波-高階矩投資組合模型均同時優于14組對照組。同時，在投資組合模型內部各個部分的表現也存在差異，中期時間尺度d4、高頻尺度集成及全尺度集成表現最佳，而長期時間尺度a4表現最差。

(4)從效用來看，投資者在大部分時間尺度上均能從本文提出的小波-高階矩策略中獲得較高的效用，滿足投資者多樣化的需求，再次驗證本文提出的小波-高階矩模型的優勢。

綜上所述，無論是何種指標，大部分的小波-高階矩投資組合策略均能同時優于14組對照組，為不同交易周期的投資者在波譎云詭的原油市場上取得更佳的組合效果，這表明本文提出的小波-高階矩投資組合模型的有效性和優勢性。

同時，小波-高階矩投資組合模型內部存在明顯的差異：中期尺度d4雖然在各個方面表現最佳，但是由于中期尺度d3在風險規避方面的不足，使得中期尺度總體表現并不穩定，稍遜于集成部分。短期尺度次之，而長期尺度a4表現最差。與之形成鮮明對比，集成部分的兩個策略綜合利用各個時間尺度的豐富信息，表現最為穩定，其中高頻尺度集成側重于謀求更高收益，而全尺度集成側重于降低組合波動，此結果說明本文構建的高頻尺度集成方案和全尺度集成方案將會為投資者提供更加穩健的投資組合結果，證明其可行性和有效性。

3.3 不同風險偏好的樣本外檢驗結果分析

在投資過程中，投資者除了異質性外，還具有不同的風險偏好特征，這些偏好往往會影響投資策略[16-17]。那么在不同時間尺度上，不同風險偏好是否會影響小波-高階矩投資組合的效果呢？哪種風險偏好配置將會優化各個時間尺度上的資產配置呢？鑒于此，本文依托小波-高階矩投資組合模型，以時-頻域雙重視角探究原油市場投資過程中風險偏好對不同時間尺度上的影響，謀求能改善組合效果的風險偏好配置。

在小波-高階矩投資組合模型中，λj代表的是投資者對于第j階矩風險的偏好程度，λj越大表示投資者對第j階矩風險越偏好，參考文獻[16-17]，假設λj范圍為0～3：λj=0代表對第j階矩風險無偏好，λj=1代表對第j階矩風險存在偏好，λj=2代表對第j階矩風險有明顯偏好，λj=3代表對第j階矩風險最為偏好。

為了使得構建的{λj}符合實際情況且能最全面代表不同時間尺度上投資者的風險偏好特征，對{λj}施加以下條件約束：(1)在{λj}(j=1,2,3,4)中，至少有1個λj=3且最多有2個λj=3。(2)在{λj}(j=1,2,3,4)中，至少有1個λj=1。(3)至多有1個λj=0。設置以上約束條件是為了構建投資者對不同階矩風險有區別的偏好，基于此約束條件，共構建94組不同的風險偏好配置。此外，也考慮{λj}={1,1,0,0}、{1,1,1,0}、{1,1,0,1}這三種情況。綜上所述，共對97種風險偏好配置進行小波-高階矩投資組合模型樣本外檢驗和分析。

利用上述的滾動窗口技術，根據公式(15)進行各個時間尺度的樣本外預測，接著根據公式(16)～(17)，構建高頻尺度集成和全尺度集成兩個資產配置方案，檢驗結果如下：

經過實證檢驗，在97組風險偏好配置中僅有28組能夠比原始模型取得更優的投資組合效果，其他大部分風險偏好特征最終的效果實際上將會對投資者的賬戶造成負面影響。根據表5，在表現最佳前7組風險偏好配置組合中，大部分對于三階偏度風險或四階峰度風險給予3的最大偏好，這說明對于高階矩風險的重視將會為投資者帶來更優的資產配置方案。

表5 優于原始模型的部分風險偏好組合

根據表6，{λj}={2,1,2,3}的風險偏好配置側重于防范峰度風險，兼顧偏度和收益，也對方差有一定的偏好，最終取得了良好的投資組合效果，最為明顯改良了原始小波-高階矩投資組合模型。對絕大部分的高頻部分、低頻部分以及集成部分而言，投資組合的盈利能力得到提升，夏普比率得到明顯改善，效用得到加強。在樣本外區間內，市場經歷了一輪暴跌和暴漲，表現出明顯的尖峰肥尾特征，正如Maringe和Parpas[14]所言，在數據被扭曲即市場表現出過度偏度和峰態時，高階矩風險尤為重要，{λj}={2,1,2,3}則恰恰契合了市場實際運行規律和特征，為投資者帶來更佳的組合效果。

表6 表現最佳的風險偏好配置檢驗結果

此外，從表6還可知，該風險偏好配置并非對所有的時間尺度都有效，該偏好明顯改善了集成部分和短中期時間尺度d1、d2、d3的投資效果，卻并沒有改善中期尺度d4，而長期尺度a4雖然在三個指標上得到改善，但是實際投資效果依然不及其他尺度，表現較差。該現象出現可能與過于注重峰度風險即關注于短期極端事件[18-19]有關。與此不同，本文提出的高頻尺度集成和全尺度集成策略能綜合利用各個時間尺度的豐富信息，考慮不同交易周期投資行為特征，在{λj}={2,1,2,3}風險偏好配置下，集成部分的兩個策略在四個指標上均得到了改善，并且實際的投資效果較好，在均衡性和穩定性方面優于其他時間尺度。此外，實證結果也驗證了前文高頻尺度集成側重于謀求更高收益，而全尺度集成側重于降低組合波動的結論。

3.4 穩定性檢驗

本文所提出的小波-高階矩投資組合模型在不同市場狀態中，尤其是原油市場處于極端波動時，能否具有普適性和穩定有效性呢？鑒于此，依據WTI原油價格走勢，對總樣本區間進行劃分：將2006年10月11號～2008年12月23號作為第一個牛熊周期區間；將2008年12月24號～2016年2月11號作為第二個牛熊周期區間；2016年原油市場引來新一輪的暴漲。因此，將2016年2月12號～2018年5月16號作為上漲階段。接著進行三個區間樣本內外劃分。具體劃分詳見圖1和表7，如下：

圖1 WTI原油現貨指數區間劃分圖

表7 區間劃分

利用上述的滾動窗口技術，基于本文提出的小波-高階矩投資組合模型，首先暫設不考慮投資者風險偏好即{λj}={1,1,1,1}，根據公式(15)進行各個時間尺度的樣本外預測，滿足原油市場投資者不同交易周期的實際需求。然后根據公式(16)～(17)，構建高頻集成和全尺度集成兩個資產配置方案，分別從頻域和時-頻域視角進行集成預測。接著以時-頻域雙重視角探究原油市場投資過程中風險偏好在不同時間尺度上的影響，謀求能最大程度改善組合效果的風險偏好配置。三個區間的最終檢驗結論基本一致，由于文章篇幅限制，本文僅呈現某區間的檢驗結果。第二區間牛熊周期持續時間最久，并且直接導致了俄羅斯的盧布危機，對世界政治經濟格局產生重大影響，故本文在此選擇呈現該區間的檢驗結果。

首先是在不考慮風險偏好特征即{λj}={1,1,1,1}的檢驗結果，對照組和參考指標與前文一致，樣本外檢驗結果詳見表8和表9，如下：

表8 對照組樣本外檢驗結果

表9 小波-高階矩投資組合模型樣本外檢驗結果

由表8-9可知，相對于對照組而言，小波-高階矩投資策略取得了更好的投資效果。同時，小波-高階矩投資組合內部各個尺度差異明顯，長期部分和集成部分表現最佳，中期尺度次之，而短期尺度表現最差。與前文不同，此處的長期尺度a4表現最佳，此現象可能與暴跌的市場環境有關：當市場處于極端情況時，注重長期趨勢變動的尺度較其他而言更不容易受到短期信息沖擊，從而避免了非理性行為的出現。此外，集成部分的兩個策略依然表現穩定，高頻集成方案側重于提升收益，而全尺度集成方案側重于降低波動。

此后對97種風險偏好配置進行小波-高階矩投資組合模型樣本外檢驗和分析，檢驗結果詳見表10和表11，如下：

表10 優于原始模型的部分風險偏好組合

表11 表現最佳的風險偏好配置檢驗結果

根據表10，在表現最佳前7組風險偏好配置組合中，大部分對于三階偏度風險和四階峰度風險給予3的最大偏好，這說明對于高階矩風險的重視將會為投資者帶來更優的資產配置方案。

根據表11，{λj}={2,1,2,3}的風險偏好配置明顯改良了原始小波-高階矩投資組合模型，穩健性檢驗與前文基本一致。

4 結語

針對以往研究的不足，本文將極大重疊離散小波研究變換方法與高階矩投資組合理論框架相結合，提出小波-高階矩投資組合模型，并基于此構建國際原油投資組合策略。同時，將分解后各個時間尺度上的高階矩投資組合進行重構，構建基于頻域視角的高頻尺度集成方案和基于時-頻域視角的全尺度集成方案。此外，考慮到投資者具有不同的風險偏好特征，通過對比投資者不同風險偏好特征在各個時間尺度上的投資效果，遴選出恰當風險偏好特征來構建更高效的資產配置方案。最后在不同市場環境中進行穩定性檢驗。

樣本外檢驗結論如下：(1)相較于14組對照組而言，大部分的小波-高階矩投資組合模型在為投資者謀求更高收益同時，普遍降低了風險，提升了夏普比率并帶來更高的效用。同時，小波-高階矩模型內部存在明顯差異，集成部分表現最為穩定且各項指標均優于14組對照組，中期時間尺度表現較好，短期時間尺度次之，長期時間尺度a4表現最差。(2)只有少部分的風險偏好配置可以優于原始小波-高階矩投資組合模型，該部分風險偏好特征大部分給予三階矩偏度或者四階矩峰度風險3的最大偏好。通過選擇合適的風險偏好特征，將會對絕大部分的高頻部分、低頻部分和集成部分起到改進作用。(3)為了檢驗本文提出的小波-高階矩投資組合模型的穩健性和有效性，本文將總樣本區間根據牛熊周期進行劃分，實證結果表明本文提出的小波-高階矩投資組合模型無論在牛市還是熊市環境中均能取得優于14組對照組的投資組合效果。并且，部分風險偏好特征能夠明顯改善小波-高階矩投資組合模型，取得更佳的樣本外預測結果。此外集成部分的兩個方案表現最穩定且行之有效，高頻集成方案側重于提升收益，而全尺度集成方案側重于降低波動。