Loss-versus-rebalancing with external proportional transaction costs
The University of Osaka(大阪大学)
该研究探讨含外部比例交易成本的自动做市商流动性提供,构建两类池模型,得出损失与再平衡为零的结论,为流动性提供提供投资视角。
2026-10-16 q-fin.MF q-fin.PM
Investment Portfolio Optimization Based on Modern Portfolio Theory and Deep Learning Models
本文提出基于LSTM-RNN、DeepVAR和GPVAR深度学习模型的方差-协方差矩阵估计框架用于投资组合优化,实验表明LSTM-RNN在信息比率和年化收益上表现最佳,且更长观察窗口和较低再平衡频率能提升策略表现。
2025-08-20 q-fin.PM
Optimal Rebalancing Frequencies for Multidimensional Portfolios
本文研究了具有小比例交易成本的多资产最优投资问题。而不是计算一个渐近最优的无交易区域,我们优化合适的交易频率。我们推导出明确的公式,这些和相关的福利损失,由于小交易成本在一般的,多维的扩散设置,并比较其性能的替代品使用蒙特卡罗模拟。
2017-09-04 math.OC math.PR q-fin.PM
DeepAries: Adaptive Rebalancing Interval Selection for Enhanced Portfolio Selection
Korea University(韩国大学);Hankuk University of Foreign Studies(翰林大学外语学院);Pusan National University(釜山国立大学);Imperial College London(伦敦帝国学院)
DeepAries提出一种深度强化学习框架,自适应选择再平衡间隔与资产配置,降低交易成本并提升风险调整后收益,优于固定频率策略。
2025-09-11 cs.AI cs.CE q-fin.PM
Hedge and Mutual Funds' Fees and the Separation of Private Investments
基金经理将基金资产和自己的私人财富投资于单独但可能相关的风险资产,旨在从长期来看最大化私人财富的期望效用。如果相对风险厌恶和投资机会是常数,我们发现,基金的投资组合只取决于基金的投资机会,私人投资组合只取决于私人机会。这一结论对对冲基金经理和共同基金经理都是有效的,前者的绩效费与高水位线条款有关,后者的管理费与基金资产成比例。基金经理将赚取的费用投资于安全资产,将剩余的私人财富分配到一个固定比例的投资组合中,而基金则作为另一个固定比例的投资组合进行管理。最优福利是在没有多样化收益的情况下,每个投资机会的最优福利之间的最大值。特别是,管理人不使用私人投资来对冲未来的费用收入。
2014-10-25 math.OC q-fin.PM
Cost-aware Portfolios in a Large Universe of Assets
本文针对资产数量大于样本量的高维环境,提出考虑比例和二次交易成本的非凸惩罚投资组合构建与再平衡模型,理论分析与实证研究表明其表现优异,强调了交易成本在再平衡中的重要性。
2025-08-20 q-fin.PM stat.ME
Pools as Portfolios: Observed arbitrage efficiency & LVR analysis of dynamic weight AMMs
动态权重AMM通过时间调整权重提升套利效率,实验证明其在L2链上优于传统CEX再平衡方法。
2026-02-25 q-fin.PM q-fin.TR
Quantum-Assisted Optimal Rebalancing with Uncorrelated Asset Selection for Algorithmic Trading Walk-Forward QUBO Scheduling via QAOA
AI-WEINBERG, AI Experts(AI-WEINBERG人工智能专家)
本文提出一种混合经典-量子框架,通过Ledoit-Wolf收缩协方差估计与层次相关聚类提取无相关资产,结合熵正则化遗传算法优化投资组合权重,并利用QAOA解决QUBO问题,实验证明在降低交易成本的同时保持竞争力风险调整表现。
2026-03-04 cs.AI q-fin.PM
Beating the Best Constant Rebalancing Portfolio in Long-Term Investment: A Generalization of the Kelly Criterion and Universal Learning Algorithm for Markets with Serial Dependence
Scuola Normale Superiore(诺曼大学)
针对在线投资组合,提出利用资产收益序列依赖的通用学习算法,无需分布假设,超越最优恒定再平衡组合,并推广凯利准则,实验验证有效。
2025-07-08 cs.IT cs.LG math.IT
Onflow: a model free, online portfolio allocation algorithm robust to transaction fees
CEREMADE, Université Paris Dauphine - PSL(巴黎第九大学-PSL大学 CEREMADE研究中心)
Onflow是一种基于梯度流的无模型在线投资组合分配算法,能有效应对交易费用,实现最优投资策略。
2026-03-11 cs.NA math.NA q-fin.CP
Deep Learning, Predictability, and Optimal Portfolio Returns
Lancaster University Management School(兰卡斯特大学管理学院);Institute of Economic Studies, Charles University(查理大学经济研究学院);Institute of Information Theory and Automation, Academy of Sciences of the Czech Republic(捷克科学院信息理论与自动化研究所)
本文通过深度学习方法提升投资组合回报,发现LSTM架构在高频再平衡下能显著提高夏普比率和确定等价收益。
2026-02-13 q-fin.GN q-fin.PM
Automated Market Making and Loss-Versus-Rebalancing
Columbia University(哥伦比亚大学);University of Chicago(芝加哥大学)
本文分析AMMs中流动性提供投资的风险收益,通过连续时间模型将LP收益分解为类beta市场风险成分与类alpha微观结构成分,实证发现Uniswap v2 ETH-USDC池超99.991%的LP收益方差由beta敞口驱动。
2026-08-20 math.OC q-fin.MF q-fin.PM
Decomposition Pipeline for Large-Scale Portfolio Optimization with Applications to Near-Term Quantum Computing
Global Technology Applied Research, JPMorganChase(摩根大通全球技术应用研究部);Amazon Quantum Solutions Lab(亚马逊量子解决方案实验室);AWS Center for Quantum Computing(AWS量子计算中心);California Institute of Technology(加州理工学院)
本研究提出一种含三个核心组件的分解流水线,可将带约束的大规模投资组合优化问题分解为规模缩减约80%的子问题,既大幅降低经典求解器计算时间,也为近期量子设备应用于该领域提供了可行路径。
2024-11-20 math.OC physics.data-an q-fin.PM
Asymmetry PRISM: A CPU/GPU Portfolio Optimization Engine for Deadline-Bounded Institutional Rebalancing
Asymmetry Computing
提出Asymmetry PRISM,一种CPU/GPU混合投资组合优化引擎,通过公共评估边界和固定协议,在截止日期内完成机构再平衡,CPU版本比最快参考求解器快4.5-24.1倍,GPU版本在10,000工具集上处理500个账户仅需109.5秒。
2026-06-23 cs.CE cs.DC math.OC
Optimal Control of Reserve Asset Portfolios for Stablecoins
Technical University of Denmark(丹麦技术大学)
本研究提出稳定币储备资产的最优控制方法,通过动态调整现金与短期票据比例及设定溢价费用,以维持汇率稳定并应对流动性压力。
2026-02-28 q-fin.PM
Withdrawal Success Optimization
本文研究离散时间再平衡下最大化完成投资与取款计划概率的问题,通过计算最优投资组合权重函数,证明其优于固定配置策略。
2023-11-11 q-fin.PM
Planning for the Efficient Updating of Mutual Fund Portfolios
J.P. Morgan(摩根大通)
本文针对共同基金投资组合更新中的交易优化问题,提出线性规划与启发式搜索方法以生成执行计划,并通过评估证明其相比基准策略能有效降低成本。
2023-11-27 cs.AI q-fin.PM
Smart Predict--then--Optimize Paradigm for Portfolio Optimization in Real Markets
Waseda University, Graduate School of Creative Science and Engineering(早稻田大学 创造理工学部)
本文提出智能预测-然后-优化范式,通过决策导向的训练提升投资组合的风险调整后表现,并在非平稳市场中展现鲁棒性。
2026-01-12 q-fin.PM
Optimal Portfolio Construction -- A Reinforcement Learning Embedded Bayesian Hierarchical Risk Parity (RL-BHRP) Approach
本文提出RL-BHRP方法,将强化学习嵌入贝叶斯分层风险平价框架,实现跨行业和个股的自适应风险配置,在2020-2025年样本外测试中取得约120%的复利增长,优于静态对照组合和行业基准。
2025-08-16 q-fin.PM
Tukey's transformational ladder for portfolio management
在过去的半个世纪里,实证金融界已经产生了大量的文献,论述了同等加权的标准普尔500指数投资组合的优点以及市值加权的标准普尔500指数投资组合往往被忽视的缺点(见\cite{Bloom}、\cite{Uppal}、\cite{Jacobs}、\cite{Treynor})。然而,投资组合配置的基础上图基的转型拉德,而令人惊讶的是,仍然缺席的文献。在这项工作中,我们考虑标准普尔500指数投资组合在1958-2015年的时间范围内加权图基的转换阶梯(\cite{Tukey2}):$1/x^2,\,\, 1/x,\,\, 1/\sqrt{x},\,\, \text{log}(x),\,\, \sqrt{x},\,\, x,\,\, \text{and} \,\, x^2$,其中$x$被定义为市值加权标准普尔500指数投资组合。考虑到股息和交易费用,我们发现1/ $x^2$加权策略产生的累积回报率显著优于所有其他投资组合,在1958-2015年期间实现了18%的复合年增长率。一个惊人的现象进一步加深了我们的故事:$1/x^2$加权策略的累积收益和年收益都优于$1/x$加权策略,而$1/x$加权策略又优于1/ $\sqrt{x}$加权投资组合,依此类推,最后是$x^2$转换,其累积收益是图基转换阶梯的七种转换中最低的。累积回报的顺序完全遵循图基的转型阶梯。据我们所知,我们是第一个发现这种现象的…
2017-08-06 q-fin.PM
Game-Theoretic Optimal Portfolios in Continuous Time
我们考虑一个两人交易博弈,每个参与者选择一个恒定的再平衡规则$b$,他必须坚持超过$[0,t]$。如果$V_t(b)$表示再平衡规则$b$的最终财富,则参与人1(“分子参与者”)选择$b$以最大化$\mathbb{E}[V_t(b)/V_t(c)]$,而参与者2(“分母参与者”)选择$c$以使其最小化。在唯一纳什均衡中,两个参与者都使用连续时间凯利规则$b^*=c^*=Σ^{-1}(μ-r\textbf{1})$,其中$Σ$是单位时间瞬时收益的协方差,$μ$是股票市场的漂移向量,而$\textbf{1}$是一个1的向量。因此,即使在很短的时间间隔$[0,t]$,相对于其他交易者表现良好的愿望导致人们采用凯利规则,这通常是通过最大化财富的渐近指数增长率得出的。因此,我们发现与Bell和Cover(1988)在离散时间上的结果一致。
2022-10-20 econ.GN econ.TH q-fin.EC
A novel robust mixed integer linear programming model for index tracking problem under no rebalancing: heuristic optimization approach
Kharazmi University(卡扎维米大学)
研究无再平衡时指数跟踪问题,提出更稳健的混合整数线性规划模型,开发基于元启发式算法和局部分支的启发式方法求解,该方法能收敛到最优解,生成的投资组合在样本内和样本外数据方面均优于商业求解器。
2026-07-13 cs.CE math.OC q-fin.PM
A Cholesky decomposition-based asset selection heuristic for sparse tangent portfolio optimization
针对均值-方差投资组合资产过多导致成本上升的问题,提出基于 Cholesky 分解的代理资产选择启发式方法,以更快构建带基数约束的稀疏切点投资组合。
2025-02-17 q-fin.MF q-fin.PM
Cover's Rebalancing Option With Discrete Hindsight Optimization
我们研究T. Cover的再平衡选择(Ordentlich and Cover 1998)在连续时间离散后见之明优化下。我们所讨论的回报等于最终财富,它是将$\$1$存入事后确定的某个有限(也许是有限)再平衡规则集合中的最佳规则而积累起来的。再平衡规则(或固定比例投注方案)相当于固定资产配置(即$200\%$股票和$-100\%$债券),然后持续执行再平衡交易以抵消配置漂移。将后见之明的优化限制在少量的再平衡规则(即2)上,比Cover $\&$公司在其关于通用投资组合的辉煌理论(1986,1991,1996,1998)中所采取的开创性方法有一些优势,在该理论中,一个人的在线交易表现是相对于后见之明的任何类型的最佳无杠杆再平衡规则的最终财富来基准的。我们的方法让从业者表达一个先验的观点,即一个受青睐的资产配置(“赌注”)$b\in\{b_1,...,b_n\}$将在事后证明表现非常好。在将我们的鲁棒性限制在一些离散的资产配置集合(而不是所有可能的资产配置)时,我们降低了再平衡选项的价格,并保证在规划期结束时实现相应更高比例的后见之明优化财富。一个从业者谁的生活三角洲对冲这种变体的封面的再平衡选择通过几十年来保证看到的一天,他实现的复合年资本增长率是非常接近的最好的$b_i$事后。因此,最低点的期权价格。
2022-10-20 econ.GN econ.TH q-fin.EC
Robo-Advising in Motion: A Model Predictive Control Approach
Illinois Institute of Technology(伊利诺伊理工学院)
本文提出了一种基于模型预测控制的动态多期资产分配框架,结合隐马尔可夫模型与布莱克-利特曼方法,通过动态均值-方差和动态风险预算标准,展示了MPC在投资组合优化中的有效性。
2026-01-14 q-fin.PM
Certified High-Dimensional Wasserstein Robust Portfolio Optimization
National Tsing Hua University(国立清华大学)
针对高维Wasserstein分布鲁棒投资组合优化,提出可证明的多项式规模线性规划近似方法,经实验验证可实现476项资产月度再平衡及1000项资产的计算可扩展性。
2026-08-10 cs.CE math.OC q-fin.PM
Optimizing Portfolio with Two-Sided Transactions and Lending: A Reinforcement Learning Framework
Virginia Tech(弗吉尼亚理工大学);Tehran Institute for Advanced Studies (TeIAS)(德黑兰高等研究院)
本文提出结合PnL奖励、SAC与CNN-MHA的RL框架,通过双边交易和USDT借贷管理12种加密资产永续期货组合,并在两个16个月测试期内显著跑赢基准。
2024-08-09 cs.LG q-fin.PM
Multifractal returns and Hierarchical Portfolio Theory
我们扩展和实证检验的多重分形模型的资产收益率的基础上,从大到小的时间尺度的波动率的乘法级联。资产波动的多重分形描述被推广到一个多变量的框架,同时考虑跨时间尺度和一篮子资产之间的相关性。报告的实证结果表明,这种扩展是相关的金融建模。本文的第二部分将该理论应用于投资组合优化。我们的多尺度描述使我们能够同时在所有时间尺度上描述投资组合收益率分布。投资组合的组成预计会随着投资时间范围的变化而变化(即,时间尺度),一旦选择了适当的风险衡量标准,就可以完全确定。我们讨论了四阶累积量和效用函数的使用。虽然在某些情况下,投资组合波动率可以在所有时间范围内优化,但峰度和更高的归一化累积量不能同时优化。对于固定的投资期限,我们详细研究了期数的影响,即,投资组合再平衡的数量。对于由阶数大于2的累积量量化的大风险,与托宾在均值-方差框架下的有效结果相比,周期数具有非平凡的影响。该理论为不同时间范围内的冲突优化提供了一个基本框架,并系统地量化了最优跨期投资组合优化的权衡。
2000-10-22 cond-mat.stat-mech q-fin.PM
Portfolio Optimization with 2D Relative-Attentional Gated Transformer
University of Sydney(悉尼大学)
投资组合优化是近年来机器学习研究的热点之一。由于深度强化学习能够有效地处理金融市场的特性,许多研究者试图用它来解决这个问题。然而,大多数方法由于忽略或过分简化了交易成本的现实约束,很难适用于现实交易。这些制约因素对投资组合的盈利能力产生了重大的负面影响。在我们的研究中,一个保守的水平的交易费用和滑点被认为是现实的实验。为了提高这些约束下的性能,我们提出了一种新的确定性策略梯度与二维相对注意力门控Transformer(DPGRGT)模型。在时间轴和资产轴上应用可学习的相对位置嵌入,该模型更好地理解了投资组合优化领域中金融数据的特殊结构。此外,门控层和层重新排序用于强化学习中的Transformers的稳定收敛。在我们使用美国股票市场20年数据的实验中,我们的模型优于基线模型,并证明了其有效性。
2020-12-27 cs.AI cs.LG q-fin.PM
Deep Reinforcement Learning for Portfolio Optimization using Latent Feature State Space (LFSS) Module
动态投资组合优化是在连续交易期间将资金分配和重新平衡到不同的金融资产(如股票,加密货币等)中的过程,以最大限度地提高累积利润或最小化一段时间内的风险。近年来,由于计算能力的提高和通过控制理论进行顺序决策的研究增加,该领域取得了巨大的发展。近年来,强化学习(RL)已成为序列动态投资组合优化理论发展的重要工具。在本文中,我们设计了一个深度强化学习(DRL)框架作为一个自主的投资组合优化代理,由一个潜在特征状态空间(LFSS)模块组成,用于过滤和特征提取的金融数据,这是作为一个状态空间的深度强化学习模型。我们开发了一个广泛的RL代理,具有高效率和性能优势,在以前的工作中使用的几个基准和无模型的RL代理。通过卡尔曼滤波器处理金融市场中每日资产价格的噪声和非平稳行为。自动编码器、ZoomSVD和受限玻尔兹曼机是在模块中使用和比较的模型,以提取相关的时间序列特征作为状态空间。我们模拟每周的数据,与实际的限制和交易成本,对标准普尔500指数的股票投资组合。我们引入了一个新的基准技术指标Kd指数和均值-方差模型相比,在大多数以前的工作中使用的等权重的投资组合。研究证实,建议的RL投资组合代理的状态空间函数的LFSS模块的形式给出了强大的结果,具有吸引力的性能配置文件超过基线RL代理和给定的基准。
2021-02-11 math.OC q-fin.PM
Hopfield Networks for Asset Allocation
Ipazia SpA(Ipazia公司);University of Trento(特伦托大学);Fondazione Bruno Kessler(布鲁诺·凯索尔基金会)
本文首次将现代Hopfield网络用于投资组合优化,通过多数据集交叉验证表明其性能与LSTM和Transformer相当或更优,且训练更快、更稳定,为资产配置和风险管理提供了高效稳健的方案。
2024-07-24 cs.LG q-fin.CP q-fin.PM
Accurate solution of the Index Tracking problem with a hybrid simulated annealing algorithm
从长期来看,积极管理的投资组合几乎永远不会跑赢市场。因此,许多投资者往往求助于被动管理的投资组合,其目的是跟踪某个金融指数。构建这种被动投资组合的任务也旨在最大限度地降低交易成本,称为指数跟踪(IT),其目标是通过仅持有指数中的一小部分资产来跟踪指数。因此,这是一个NP难问题,对于超过100个资产的指数来说,精确求解是不可行的。在这项工作中,我们提出了一种新的混合模拟退火方法,可以有效地解决大型指数的IT问题,并具有足够的灵活性,以适应财务相关的约束。通过跟踪2011年至2018年的S&P-500指数,我们表明我们的算法能够在过去回报的样本期内找到最优解,并且可以调整为在未来回报的样本期外提供最优回报。最后,我们关注的是在一年内持有IT投资组合并每月重新平衡投资组合的任务。在这里,我们的混合模拟退火算法是能够产生财务上最优的投资组合已经为小的资产子集,并使用合理的计算资源,使其成为一个适当的工具,财务经理。
2023-03-23 cond-mat.stat-mech q-fin.PM
Portfolio Optimization with Feedback Strategies Based on Artificial Neural Networks
本文提出放弃求解HJB方程,转而利用人工神经网络表达动态配置策略进行经验效用最大化,该方法简单透明且对市场动态不敏感,在S&P 500指数配置实验中表现与理论最优权重相当。
2024-11-15 q-fin.CP q-fin.PM
Multiperiod bond portfolio optimization with transaction costs using a Markov Decision process
Indian Institute of Science(印度科学学院)
针对银行国库券组合在利率风险和交易成本下的多期优化问题,提出基于动态Nelson-Siegel和马尔可夫决策过程的模拟框架,通过逆向归纳求解最优策略,并量化截断误差的影响。
2026-10-01 q-fin.CP q-fin.MF q-fin.PM
Simple Dynamic Stock/Bond/Gold Portfolios
本文利用公开数据和量化方法,通过简单波动率控制及凸优化动态组合,在2006-2026年间显著提升股票/债券/黄金固定权重基准的风险调整回报和回撤指标。
2026-09-09 math.OC q-fin.PM
On Frequency-Based Optimal Portfolio with Transaction Costs
National Tsing Hua University(国立清华大学)
本文研究含交易成本的频率依赖型对数最优投资组合问题,证明其等价于凹规划,提出近似二次凹规划及充要条件、两基金定理,经多频率数据验证并拓展至在线交易场景。
2023-01-07 cs.SY eess.SY math.OC
Portfolio Optimization using Predictive Auxiliary Classifier Generative Adversarial Networks with Measuring Uncertainty
本文提出概率预测模型 PredACGAN 及基于其风险度量剔除高风险资产的投资组合优化算法,并在 S&P 500 数据上验证其显著提升收益、夏普比率并降低回撤。
2023-04-24 cs.CE q-fin.PM
An Entropic Factor Model for Robust Portfolio Replication
Universitat Politècnica de Catalunya(加泰罗尼亚理工大学);IESA School of Business(IESA商学院)
本文针对投资组合复制的不适定问题,提出熵因子模型,通过两阶段熵方法优化权重,在多类实验中较OLS表现更优,且在市场极端压力下具鲁棒性。
2026-09-04 math.OC q-fin.CP q-fin.PM
Multi-period Mean-Buffered Probability of Exceedance in Defined Contribution Portfolio Optimization
The University of Queensland(昆士兰大学)
本文提出多时期均值-缓冲概率超额量优化方法,用于定义贡献型投资组合优化,展示其在长期财富安全中的优势。
2026-02-15 q-fin.CP q-fin.PM
Necessary and Sufficient Conditions for Frequency-Based Kelly Optimal Portfolio
本文研究了一个离散时间的$m \geq 2$资产组合最优化问题,其中再平衡频率作为最大化中的一个附加参数。所谓的凯利准则被用作性能度量;即,最大化交易者账户的预期对数增长,得到的投资组合称为基于频率的凯利最优投资组合。本文的重点是推广我们以前的工作,以获得各种最优性特征的投资组合的结果。更具体地说,在我们的基于频率的公式中使用凯利准则,我们首先证明了基于频率的凯利最优投资组合的充要条件。借助于这些条件,我们给出了几个新的最优性刻画,如期望比最优性和渐近相对最优性,以及一个我们称之为扩展支配资产定理的结果。也就是说,我们证明了$i$ th资产在投资组合中占优势当且仅当凯利最优投资组合仅由该资产组成。这个定理的“扩展”一词来自于这样一个事实,即它只是我们以前的工作中证明的一个充分性结果。因此,在本文中,我们改进它,包括必要性的证明部分。此外,交易者的生存能力问题(没有破产的考虑)也详细研究了我们的基于频率的交易框架。最后,为了连接理论和实践,我们提出了一个简单的交易算法,使用所谓的主导资产条件的概念来决定何时应该触发交易。使用历史价格数据的相应交易表现被报告为支持证据。
2020-04-25 cs.SY eess.SY math.OC
Optimal Investment Under Transaction Costs
Koc University(科奇大学)
从信号处理角度研究比例交易成本下离散时间多资产市场的最优增长组合,通过阈值再平衡框架将可达组合集建模为不可约马尔可夫链,并优化参数得到增长最优组合。
2012-07-17 cs.SY eess.SY q-fin.PM
Game-Theoretic Optimal Portfolios for Jump Diffusions
本文研究了连续时间中的两人交易博弈,该博弈将Garivaltis(2018)推广到允许股票价格跳跃和扩散。类似于离散时间中的Bell和Cover(1988),参与者首先选择初始美元的公平随机化,将其交换为平均值最多为1的随机财富。然后,每个参与者都将由此产生的资本存入某个持续再平衡的投资组合,这些投资组合必须遵守$[0,t]$。我们解决了相应的“投资$ϕ$ -游戏”,即零和游戏与支付内核$\mathbb{E}[ϕ\{\textbf{W}_1V_t(b)/(\textbf{W}_2V_t(c))\}]$,其中$\textbf{W}_i$是玩家$i$的公平随机化,$V_t(b)$是最终的财富,积累到一美元存款到再平衡规则$b$,和$ϕ(\bullet)$是任何增加功能,旨在衡量相对性能。我们发现,唯一的鞍点是两个球员使用(杠杆)凯利规则的跳跃扩散,这是通常定义为最大化的渐近几乎肯定连续复合资本增长率。因此,跳跃扩散的凯利规则对于任何想要在任何相对表现指标上超越其他交易者(在任何时间框架上)的人来说都是正确的。
2022-10-20 econ.GN econ.TH q-fin.EC
End-to-End Portfolio Optimization with Quantum Annealing
Qkrishi Quantum Pvt Ltd(Qkrishi量子私人有限公司);University of Massachusetts, Boston(马萨诸塞大学波士顿分校);Stony Brook University(石溪大学);North Carolina State University(北卡罗来纳州立大学)
本文提出一种结合量子退火与经典优化的端到端投资组合优化方法,实证比较其与基金经理和指数的表现,展示量子辅助选择与经典分配在现实中的应用。
2025-12-17 econ.GN math.OC q-fin.EC
On Asymptotic Log-Optimal Buy-and-Hold Strategy
在本文中,我们考虑了一个基于频率的投资组合优化问题时,$m \geq 2$资产的预期对数增长率(ELG)的财富作为性能指标。借助于所谓的主导资产的概念,已知通过将所有可用资金投资于该资产来实现最佳ELG水平。然而,这种“全方位”的战略在实践中可能风险太大。受此问题的启发,我们研究了以相当临时的方式选择投资组合权重并随后使用买入并持有策略的情况。然后,我们表明,如果标的资产组合包含一个占主导地位的资产,购买并持有该特定的资产是渐近对数最优的次线性收敛速度。这一结果也适用于交易者没有收益的概率模型或不信任从历史数据中获得的模型的情况。更具体地说,我们表明,如果一个市场包含一个占主导地位的资产,购买和持有的市场投资组合涉及非零权重的每种资产是渐近对数最优的。此外,本文还提出了一个关于高频极大性的猜想。也就是说,在没有交易成本的情况下,高频再平衡在ELG意义上是无与伦比的。支持的猜想,涉及一个引理弱版本的猜想,提供。这个猜想,如果真的,使我们能够改善以前得到的对数最优性的结果。最后,一个结果,表明一个问题,当一个人应该重新平衡他们的投资组合,如果需要的方式,也提供了。例子,一些涉及模拟与历史数据,也提供了沿途来说明~理论。
2021-03-08 q-fin.CP q-fin.MF q-fin.PM
End-to-End Large Portfolio Optimization for Variance Minimization with Neural Networks through Covariance Cleaning
Université Paris-Saclay, CentraleSupélec, Mathématiques et Informatique pour la Complexité et les Systèmes(巴黎-萨克雷大学,中央超算学院,复杂性与系统数学与计算机学院);Dipartimento di Fisica e Chimica, Università degli Studi di Palermo(物理与化学系,巴勒莫大学);Complexity Science Hub(复杂性科学中心)
本文提出一种旋转不变的神经网络,通过联合学习滞后转换历史收益和边际波动性以及正则化大等权重协方差矩阵的特征值,实现全球最小方差投资组合,展现出良好的泛化能力和稳健性。
2026-04-21 cs.AI math.OC physics.data-an