Portfolio Allocation under Asymmetric Dependence in Asset Returns using Local Gaussian Correlations
金融收益之间存在着非对称的相关结构。在本文中,我们使用一个新的非参数测量局部相关性,局部高斯相关性,以改善投资组合配置。我们扩展了经典的均值-方差框架,并表明,投资组合优化是直接使用我们的新方法,只依赖于一个调谐参数(带宽)。新的方法被证明优于平均加权(1/N)的投资组合和经典的Markowitz投资组合的月度资产收益率数据。
2021-06-03 q-fin.PM stat.AP
Semiparametric Dynamic Copula Models for Portfolio Optimization
针对均值-方差模型的分布假设限制及现有Copula方法的静态依赖问题,提出结合非参数Copula与参数边缘分布的半参数动态模型,集成时变相关性与经验Beta Copula,应用于多经济体数据,提升投资组合优化的稳健性与绩效。
2025-04-16 q-fin.PM stat.AP
Next Generation Models for Portfolio Risk Management: An Approach Using Financial Big Data
本文提出了一个动态的投资组合风险度量过程,以解决潜在的信息损失。所提出的模型利用金融大数据来纳入目标投资组合外的信息,这些信息在考虑风险价值(VaR)仅从投资组合的某些资产中测量时可能会被遗漏。我们研究了如何在使用金融大数据时克服维度灾难,并讨论了大量资产在何时何地产生收益。在这方面,《办法》首次提出利用金融大数据提高风险分析的准确性。我们将所提出的模型与基准方法进行了比较,并实证表明,金融大数据的使用改善了小型投资组合风险分析。我们的研究结果是有用的投资组合管理者和金融监管机构,谁可能会寻求创新,以提高投资组合风险估计的准确性。
2022-02-16 econ.EM q-fin.PM q-fin.RM
Spiking Neural Network for Cross-Market Portfolio Optimization in Financial Markets: A Neuromorphic Computing Approach
Indian Institute of Technology, Kharagpur(印度理工学院卡拉格普尔分校);University of Copenhagen(哥本哈根大学);University of Oulu(奥卢大学);Jiangnan University(江南大学);Chengdu University of Information Technology(成都信息工程大学)
本文提出基于神经形态计算的 SNN 跨市场投资组合优化框架,融合 LIF 神经元、STDP 与聚类编码,在 Nifty 500 和 S&P 500 数据上优于 ANN 基准。
2025-10-01 cs.NE q-fin.CP q-fin.PM
Portfolio optimization based on forecasting models using vine copulas: An empirical assessment for the financial crisis
我们采用和研究葡萄藤连接模型的对称和非对称的依赖结构和预测财务回报。我们分析了2008-2009年金融危机期间的资产配置,并测试了不同的投资组合策略,如最大夏普比率,最小方差和最小条件风险价值。然后,我们指定了常规的,可绘制的,和典型的藤连接,如学生t,克莱顿,弗兰克,乔,Gumbel,和混合连接,并分析样本内和样本外的投资组合的表现。样本外投资组合的回测表明,藤蔓copula降低投资组合风险比简单copula。我们对各种模型结果的计量经济学分析表明,在降低条件风险价值方面,D-葡萄藤似乎优于R-和C-葡萄藤。总体而言,我们发现,学生t绘制藤蔓copula模型表现最好的风险降低,无论是在整个2005-2012年期间,以及在金融危机。
2019-12-21 q-fin.PM
A Deep Reinforcement Learning Framework for the Financial Portfolio Management Problem
Xi’an Jiaotong-Liverpool University(西交利物浦大学)
金融投资组合管理是将资金不断重新分配到不同金融产品中的过程。本文提出了一个无金融模型的强化学习框架,为投资组合管理问题提供深度机器学习解决方案。该框架由相同的独立评估者(EIIE)拓扑结构,投资组合向量记忆(PVM),在线随机批量学习(OSBL)计划,和充分利用和明确的奖励函数的包围。在这项工作中,这个框架通过卷积神经网络(CNN)、基本递归神经网络(RNN)和长短期记忆(LSTM)在三个时刻实现。它们与一些最近审查或发布的投资组合选择策略一起,在加密货币市场中进行了三次回测实验,交易时间为30分钟。加密货币是政府发行货币的电子和分散的替代品,比特币是加密货币最着名的例子。该框架的所有三个实例在所有实验中垄断了前三名的位置,远远超过了其他比较交易算法。虽然在回测中有0.25%的高佣金率,但该框架能够在50天内实现至少4倍的回报。
2017-07-16 cs.AI q-fin.CP q-fin.PM
Portfolio optimization with idiosyncratic and systemic risks for financial networks
在这项研究中,我们提出了一个新的多目标投资组合优化的特质和系统性风险的金融网络。这两种风险分别用资产相关网络的特质方差和网络聚集系数来度量。我们构建了三种类型的金融网络,其中节点表示资产,边缘基于三种相关性度量。从多目标模型出发,建立并求解了资产配置问题。我们发现,通过多目标网络方法获得的最优投资组合有一个显着的超额绩效的回报措施在样本外的框架。股票市场波动下跌期间的跌幅较小,进一步支持了这一点。通过分析不同的数据集,我们还表明,投资组合策略的改进是稳健的。
2021-11-22 q-fin.PM
Dynamic Investment Portfolio Optimization under Constraints in the Financial Market with Regime Switching using Model Predictive Control
在这项工作中,我们考虑的最优投资组合选择问题的交易量的硬约束下的动态风险资产收益率由离散时间近似的马尔可夫调制几何布朗运动。马尔可夫链的状态被解释为经济的状态。该问题被描述为一个具有期望收益的参考投资组合的动态跟踪问题。我们建议使用模型预测控制(MPC)的方法,以获得反馈交易策略。我们的方法是测试一组从根本上不同的金融市场的真实数据:俄罗斯证券交易所MICEX,纽约证券交易所和外汇市场(外汇)。
2014-10-05 q-fin.PM
Portfolio Optimization in the Financial Market with Correlated Returns under Constraints, Transaction Costs and Different Rates for Borrowing and Lending
本文研究了在风险资产收益率序列相关的情况下,在交易量、交易成本和不同借贷利率的硬约束下的最优投资组合选择问题。不需要对不同时间点之间的相关性结构或资产收益率的分布进行假设。该问题被描述为一个具有期望收益的参考投资组合的动态跟踪问题。我们的方法是测试一组真实的数据从俄罗斯证券交易所MICEX。
2014-10-29 q-fin.PM
Financial Index Tracking via Quantum Computing with Cardinality Constraints
在这项工作中,我们演示了如何将非线性基数约束(对现实世界的资产管理很重要)应用于量子投资组合优化。这使我们能够使用量子退火来解决非凸投资组合优化问题,否则这些问题对于经典算法来说是具有挑战性的。能够使用基数约束进行投资组合优化为创建创新投资组合和交易所交易基金(ETF)的新应用打开了大门。我们将该方法应用于增强指数跟踪的实际问题,并能够构建更小的投资组合,显着优于目标指数的风险状况,同时保持高度的跟踪。
2022-08-24 cs.CE q-fin.PM quant-ph
Diffolio: A Diffusion Model for Multivariate Probabilistic Financial Time-Series Forecasting and Portfolio Construction
Hankuk University of Foreign Studies(韩国外国语大学);Independent Researcher(独立研究员);Korea Institute for Advanced Study(韩国高等研究院);Ajou University(亚洲大学)
Diffolio通过层次注意力架构的去噪网络,结合相关性引导正则化,提升多变量金融时间序列预测和投资组合构建的准确性与经济意义。
2026-03-29 cs.AI cs.CE econ.EM
On the non-stationarity of financial time series: impact on optimal portfolio selection
我们研究了采用标准皮尔逊估计量来衡量金融股票之间的相关系数在存在非平稳行为的可能存在的缺点,我们提供了经验证据对公认的常识,使用较长的价格时间序列提供更好的,更准确的,相关性估计。然后,我们研究了经验相关系数测量的不稳定性对最优投资组合选择的可能后果。我们依赖于以前发表的作品,提供了一个框架,允许考虑可能的风险低估,由于非最优的投资组合权重被使用,以区分这种非最优的影响,真正由于非平稳性的风险低估。我们解释这样的结果在投资组合相关矩阵的一些谱性质的不稳定性。
2012-07-24 physics.data-an q-fin.PM q-fin.ST
Risk Preferences and Efficiency of Household Portfolios
本文提出了一种新的方法,从投资者的投资组合选择中推断出他们的风险偏好,然后利用隐含的风险偏好来衡量投资组合的有效性。我们分析了一个为期六年的数据集,包括月底的股票交易记录,以及投资者的人口统计信息和自我评估的金融知识。与基于风险资产份额的风险厌恶估计不同,我们的统计分析表明,投资者的隐含风险厌恶系数随着其财富和金融知识的增加而增加。投资组合多元化、夏普比率和预期投资组合收益率与投资组合的效率正相关,而较高的标准差降低了投资组合的效率。我们发现,富裕和受过金融教育的投资者以及那些持有退休相关账户的投资者持有更有效的投资组合。
2020-10-26 q-fin.PM
A Deep Reinforcement Learning Framework For Financial Portfolio Management
University of Waterloo(滑铁卢大学)
本研究复现了一种基于EIIE拓扑、PVM、OSBL的无金融模型强化学习投资组合管理框架,验证了其在加密货币市场的优异收益,同时发现其在股票市场表现不佳。
2024-09-03 cs.LG q-fin.CP q-fin.PM
Portfolio optimisation under non-linear drawdown constraints in a semimartingale financial model
提款限制迫使当前财富保持在迄今为止最大值的给定函数之上。我们考虑的投资组合优化问题,最大化的长期增长率的期望效用的财富下降约束,在原来的设置Grossman和周(1993)。我们工作在一个抽象的半鞅金融市场模型与一般类的效用函数和缩编约束。我们解决的问题,它实际上是等价于一个无约束的问题,适当修改的效用函数。在此基础上,给出了无约束问题的价值函数和最优投资策略。
2013-04-22 q-fin.PM
Explainable Post hoc Portfolio Management Financial Policy of a Deep Reinforcement Learning agent
Universidad Pontificia Comillas(康普卢滕塞大学)
针对深度强化学习投资组合管理策略不可解释的问题,提出结合PPO与SHAP、LIME的可解释事后方法,实现预测时动作解释,验证关键特征识别能力。
2024-07-19 cs.AI cs.CE q-fin.PM
Sectoral portfolio optimization by judicious selection of financial ratios via PCA
在投资组合优化模型中嵌入价值投资一直是一个挑战。在本文中,我们试图将其纳入采用主成分分析,过滤出主导的财务比率,从每个部门,此后,使用投资组合优化模型,结合二阶随机优势准则,以获得最佳的投资。我们考虑了与每个部门相对应的总共$11$财务比率,代表四类比率,即流动性、偿付能力、盈利能力和估值。然后,在10年的时间内应用主成分分析法,以两种方式从每个部门提取主要比例,一种是从组成部分的解决方案中提取,另一种是从每个类别的社区基础上提取。然后利用两步的部门投资组合优化(SPO)模型建立最优投资组合。使用先前提取的比率形成的策略被称为PCA-SPO(A),后者被称为PCA-SPO(B)。从所提出的策略得到的结果进行了比较,从均值方差,最小方差,SPO,和名义SSD模型,有和没有财务比率。所提出的战略的实证表现分析在两个方面,即,使用滚动窗口方案,并使用标准普尔BSE 500(印度)和标准普尔500(美国)的市场趋势情景市场的我们观察到,所提出的策略PCA-SPO(B)在几乎所有样本外期间的下行偏差,CVaR,VaR,Sortino,Rachev和STARR比率方面优于所有其他模型。这凸显了价值投资的重要性,在投资组合选择过程中,比率经过精心挑选并量化嵌入。
2023-01-20 q-fin.PM
Developing An Attention-Based Ensemble Learning Framework for Financial Portfolio Optimisation
The University of Hong Kong(香港大学)
针对金融市场噪声导致现有组合优化方法信号有偏、难平衡收益风险的问题,提出融合注意力机制的多智能体自适应框架MASAAT,通过多智能体分析多粒度数据、集成生成组合,在三个知名数据集上实现显著优化。
2024-04-13 cs.CE cs.LG q-fin.PM
Leveraging Deep Learning and Online Source Sentiment for Financial Portfolio Management
Aristotle University of Thessaloniki(塞萨洛尼基亚里士多德大学)
本文旨在探讨在监督和强化学习方案下用于金融交易的各种深度学习方法,结合在线来源情感信息,并讨论训练金融智能体的常见问题及实践应用。
2023-10-24 cs.LG q-fin.PM
Exponential utility maximization in small/large financial markets
Rényi Institute(雷尼研究所);Xi’Jiao Liverpool University(西交利物浦大学)
本文研究了在小/大金融市场中通过指数效用最大化优化投资组合的问题,展示了有限资产市场无法达到最优效用水平,并提出了一种简化高维问题的数值方法。
2026-02-09 q-fin.PM
Best Portfolio Management Strategies For Synthetic and Real Assets
投资组合管理是金融数学、金融工程、计量经济学和经济物理学等多个领域的一个古老而著名的问题。到目前为止,使用了多种不同的概念和理论来描述处理金融资产的方法,包括微分方程、随机微积分和高级统计学。本文利用概率论中的一组工具,分析了在不同的市场条件下建立金融投资组合的各种策略。一个特别注意的是,一个所谓的平衡投资组合,这是植根于自然的“低买高卖”原则的几个实现。结果表明,没有通用的战略,因为它们在不同的情况下表现不同(例如,不同的交易成本)。此外,计划投资的时间也可能对某些策略的盈利能力产生重大影响。所有的方法都进行了测试,从波兰股票市场的模拟轨迹和真实数据。
2019-09-05 q-fin.PM
A mixture transition distribution approach to portfolio optimization
本研究针对传统相关性网络无法捕捉金融市场非线性、方向性关系的问题,采用MTD模型构建有向加权金融网络,结合局部同配性度量指导投资组合优化,在三大股指成分股数据上验证了其优于经典均值-方差框架的风险调整后收益表现。
2025-01-14 q-fin.PM
Robust Portfolio Selection Problems: A Comprehensive Review
在本文中,我们提供了一个全面的审查最近的进展,稳健的投资组合选择问题及其扩展,从运筹学和金融的角度。本文根据金融问题的类型、不确定性集合、稳健优化方法和数学公式,对文献中提出的模型和方法进行了多维分类。一些开放的问题和潜在的未来研究方向。
2022-01-11 math.OC q-fin.PM
Reinforcement Learning for Portfolio Optimization with a Financial Goal and Defined Time Horizons
AIMS South Africa /Stellenbosch university, South Africa(AIMS南非 /斯托滕博斯大学,南非);University of South Africa, South Africa(南非大学,南非);Michigan State University, USA(密歇根州立大学,美国)
本文提出利用强化学习优化投资组合,通过G-Learning算法提升夏普比率至0.483,展示其在高波动市场中的有效性。
2025-11-22 cs.AI cs.LG q-fin.PM
An intelligent financial portfolio trading strategy using deep Q-learning
Pohang University of Science and Technology(浦项科技大学);Seoul National University of Science and Technology(首尔国立科技大学)
投资组合交易者努力确定动态投资组合分配方案,以便在整个投资期限内有效分配总预算。本研究提出了一种新的投资组合交易策略,其中智能代理通过使用深度Q学习来训练以识别最佳交易行为。我们制定了一个马尔可夫决策过程模型的投资组合交易过程中,该模型采用了离散的组合行动空间,确定交易方向,在预先设定的交易规模为每种资产,以确保实用性。我们新颖的投资组合交易策略利用三个特点,在现实世界的交易中表现出色。首先,设计一个映射函数来处理和转换一个最初发现的,但不可行的行动到一个可行的行动最接近最初提出的理想行动。其次,本研究克服维度问题,建立代理人与Q-网路模型,在预定义的行动空间中推导出多资产交易策略。最后,本研究介绍了一种技术,其优点是通过设计一个代理来模拟每个状态下的所有可行行动,从而得出一个非常适合的多资产交易策略。为了验证我们的方法,我们对两个有代表性的投资组合进行了回测,并展示了优于基准策略的结果。
2019-11-28 cs.AI q-fin.PM
HARLF: Hierarchical Reinforcement Learning and Lightweight LLM-Driven Sentiment Integration for Financial Portfolio Optimization
CentraleSupelec(中央理工-巴黎高等电子学院);Ai for Alpha IJCAI 2025 - FinLLM Workshop(IJCAI 2025 年 FinLLM 工作坊)
提出HARLF三层分层强化学习框架,融合轻量级LLM新闻情绪与市场指标,在2018—2024年测试中取得26%年化收益和1.2夏普比率,优于等权重及S&P 500基准。
2025-07-24 cs.AI q-fin.PM
Managing Risk in DeFi Portfolios
去中心化金融(DeFi)是一个建立在区块链技术基础上的新金融行业。分散的金融服务因此提高了借贷和投资分散投资工具的能力,使投资者能够绕过第三方中介机构。DeFi的承诺是降低交易和管理费用的成本,同时增加金融业3.0代理之间的信任。本文概述了DeFi的不同组成部分,以及通过这些新工具进行投资所涉及的风险。我们还将提出一种分配方法,将这些风险整合和量化。
2022-09-25 q-fin.GN q-fin.PM
Robust and Adaptive Algorithms for Online Portfolio Selection
我们提出了一种在线投资组合选择的方法。其动机是在算法交易的背景下,随着新数据的到来,算法交易要求快速和递归地更新投资组合配置。特别是,我们看两个在线算法:鲁棒指数加权最小二乘法(R-EWRLS)和正则化在线最小方差算法(O-VAR)。我们的方法使用信号处理和统计学中的简单思想,这些思想在实证金融文献中有时会被忽视。使用4个真实数据集对基准分配技术对这两种方法进行了评估。我们的方法在这些数据集中的计算需求和财务表现方面优于基准分配技术。
2010-05-17 q-fin.CP q-fin.PM stat.ME
On financial market correlation structures and diversification benefits across and within equity sectors
我们研究如何评估通过在股票行业内和跨行业投资来分散股票投资组合的潜在收益。我们分析了20年的美国股票价格数据,包括全球金融危机(GFC)和COVID-19市场崩盘,以及金融稳定时期,以确定股票投资组合的"全天候"性质。我们建立了一个可以使用的领导特征值的交叉相关矩阵的日志回报,以及图论诊断,如模块化,以量化的集体行为的市场或它的一个子集,我们确认,金融危机的特点是高度的集体行为的股票,而金融稳定期表现出较少的集体行为。我们认为,在集体行为增加的时期,通过基于行业的投资组合多元化来降低风险是无效的。使用集体的程度作为多样化的好处的代理,我们进行了广泛的抽样股票投资组合,以证实古老的金融格言,30 - 40只股票提供足够的多样化。使用层次聚类,我们发现了一个“最佳价值”的股票投资组合的多样化组成的36个股票均匀抽样从9个部门。我们进一步表明,跨部门而不是内部多元化通常更有益。我们的研究结果对注重成本的散户投资者寻求在股票市场上广泛分散投资具有影响。
2022-06-13 q-fin.PM
Machine Learning Based Stress Testing Framework for Indian Financial Market Portfolios
Indian Institute of Technology Guwahati(印度理工学院古瓦哈提)
本文提出基于主成分分析、自编码器和变分自编码器的机器学习压力测试框架,通过蒙特卡洛情景生成和风险价值、预期损失估计,提升印度金融市场行业压力测试的灵活性与真实性。
2025-07-02 cs.LG q-fin.PM q-fin.RM
MSPM: A Modularized and Scalable Multi-Agent Reinforcement Learning-based System for Financial Portfolio Management
University of Tsukuba(筑波大学)
金融投资组合管理(PM)是强化学习(RL)中最适用的问题之一,因为它具有序列决策的性质。然而,现有的基于RL的方法很少关注可扩展性或可重用性,以适应不断变化的市场。这些方法是刚性的和不可扩展的,以适应不同数量的资产组合和日益增长的异构数据的需求。此外,现有系统中的RL代理是专门训练的,很难重用于不同的投资组合。为了面对上述问题,模块化的设计是期望的系统与可重用的资产专用代理兼容。在本文中,我们提出了一个多代理RL为PM(MSPM)为基础的系统。MSPM包括两类不断更新的模块:演化代理模块(EAM)和战略代理模块(SAM)。EAM是一个带有DQN代理的信息生成模块,它接收异构数据并为特定资产生成包含信号的信息。SAM是一个带有PPO代理的决策模块,用于投资组合优化,它连接到EAM以重新分配投资组合中的资产。经过培训的EAM可以随意连接到任何SAM。MSPM以其模块化的体系结构、对易变市场信息的多步压缩和EAM的可重用设计,同时解决了基于RL的PM的两个挑战:可扩展性和可重用性。在美国8年的股票市场数据上进行的实验证明了MSPM在累积收益率(ARR)、日收益率和索提诺比率方面优于5个基线的有效性。与CRP(一种广泛使用的PM策略)相比,MSPM可使ARR至少提高186.5%。为了验证EAM的不可或缺性,我们回测和比较四个投资组合的MSPM。与EAM禁用的MSPM相比,EAM启用的MSP…
2022-02-19 cs.AI cs.LG q-fin.CP
Learning to Learn Financial Networks for Optimising Momentum Strategies
Oxford-Man Institute of Quantitative Finance(牛津-曼氏量化金融研究所);University of Oxford(牛津大学)
针对传统金融网络构建依赖高成本资源、且与组合优化分离的问题,提出端到端框架L2GMOM,通过可解释神经网络同时学习金融网络与优化动量交易信号,回测验证其能显著提升组合盈利与风控水平。
2023-08-23 cs.AI cs.LG q-fin.PM
Improving Portfolio Performance Using a Novel Method for Predicting Financial Regimes
本研究提出一种可事前预测金融状态的新模型,采用逆向交易策略,在三类资产四年测试中表现优于早期模型、隐马尔可夫模型及基准指数,并探讨了构建仅做多版本的方向。
2023-09-20 cs.CE q-fin.PM q-fin.RM
Model for Constructing an Options Portfolio with a Certain Payoff Function
投资组合优化问题是金融分析的基本问题。在研究中,提出了一个构造具有一定支付函数的期权投资组合的优化模型。该模型被制定为一个整数线性规划问题,包括一个目标支付函数和一个系统的约束。为了验证模型的有效性,我们以台湾期货交易所的欧式看涨期权和看跌期权为例,构建了一个投资组合。利用MATLAB软件进行优化求解。我们的方法是相当普遍的,并有潜力设计的选择组合金融市场。
2017-07-07 q-fin.PM q-fin.PR q-fin.RM
A note on evolutionary stochastic portfolio optimization and probabilistic constraints
在这篇文章中,我们扩展了一个进化随机投资组合优化框架,包括概率约束。基于随机规划的建模环境以及进化优化环境都非常适合于集成各种类型的概率约束。我们展示了如何整合这些约束的方法。使用最近的金融数据的数值结果证实了所提出的方法的适用性。
2010-01-29 cs.CE cs.NE q-fin.PM
Empirical properties of the variety of a financial portfolio and the single-index model
我们调查的品种的股票投资组合在正常和极端天的市场活动。我们发现,品种携带的市场活动,这是不存在于单指数模型的信息,我们观察到,品种的时间演变是不是时间反转周围的崩溃天。得到了单指数模型预测的集合收益率分布的平方变化与平均收益率之间的理论关系。单指数模型能够模拟平方变量的平均行为,但不能定量描述平方变量与集合分布平均收益率之间的关系。经验数据和理论描述之间的差异是更明显的集合分布的平均回报的大正值。其他显着的偏差也观察到极端负值的平均回报。
2000-09-26 cond-mat.stat-mech q-fin.PM q-fin.ST
Log-optimal portfolio without NFLVR: existence, complete characterization, and duality
研究了一般半鞅模型下的对数最优投资组合问题。最先进的文献对这个主题阐述了存在和表征下,没有免费的午餐与风险消失的假设(NFLVR)的投资组合。有许多金融模型一方面违背NFLVR,另一方面又承认对数最优投资组合。另一方面,对于过滤逐步扩大的金融市场,NFLVR仍然是一个完全开放的问题,因此文献可以应用于这些模型。在这里,我们提供了一个完整的特征的对数最优投资组合及其相关的最优平减指数,其存在的必要和充分条件,我们阐述了他们的对偶以及没有NFLVR。
2018-07-14 q-fin.MF q-fin.PM
Portfolio Choice with Indivisible and Illiquid Housing Assets: The Case of Spain
本文研究的投资决策的西班牙家庭使用一个独特的数据集,西班牙家庭财务调查(EFF)。我们提出了一个理论模型,在这个模型中,给定一个固定的住房投资,家庭将他们的净财富分配给银行定期存款、股票和抵押贷款。除了将住房视为限制投资组合选择决策的不可分割和非流动性资产外,我们还考虑到家庭在申请外部资金时面临的财务限制。对于EFF中的每一个代表家庭,我们解决了这个理论问题,并得到了理论上的最优投资组合,并与家庭的实际选择进行了比较。我们发现,家庭显着投资不足的股票和存款,而最佳和实际的抵押贷款投资是一样的。同时考虑这三种类型的金融资产,我们发现,由财务高度成熟、年龄较大、退休、富裕和不受约束的人领导的家庭投资效率更高。
2022-02-04 q-fin.PM
Vine Copula based portfolio level conditional risk measure forecasting
准确估计金融投资组合的风险指标对于金融机构和监管机构都至关重要。然而,许多现有的模型在总投资组合级别上运行,因此无法捕捉投资组合组件之间复杂的交叉依赖关系。为了解决这一问题,提出了一种新的方法,使用藤copulas结合单变量ARMA- GARCH模型的边际建模计算条件投资组合水平的风险度量估计,通过模拟投资组合水平的预测条件的压力因素。然后提出了一种基于分位数的方法来观察给定条件资产特定状态的风险度量的行为。在对具有不同压力因素的西班牙股票的案例研究中,结果表明,该投资组合对美国市场的急剧下滑相当稳健。与此同时,没有证据表明欧洲市场存在这种行为。
2023-02-09 q-fin.PM
On the optimal allocation of assets in investment portfolio with application of modern portfolio and nonlinear dynamic chaos theories in investment, commercial and central banks
投资经济是繁荣社会的主要特征。随着现代投资组合理论在投资经济中的应用,投资组合管理成为投资者、商业银行和中央银行必须解决的主要金融问题。我们将学习分析与综合创造性命令智能概念共侧适应性思维相结合,旨在提高我们对非线性动态金融系统中多元化投资组合管理的科学认识。本文运用经济物理学原理和计量经济学方法,运用先进的风险管理技术和现代投资组合理论中的有效前沿模型,以及动态混沌理论中的动态系统模型,对投资组合中的资产最优配置问题进行了研究。我们表明,分叉图,创建与使用的逻辑函数在Matlab中,可以提供一些有价值的信息,在投资组合中的风险投资组合的稳定性,解决投资组合中的资产配置优化问题。本文基于李雅普诺夫稳定性准则,提出了Ledenyov投资组合定理,目的是在投资经济的框架下,在非线性动态金融系统中,利用不相关的分散资产建立最优的投资组合,使机构投资者和私人投资者的预期收益率增加。
2013-02-04 q-fin.GN q-fin.PM q-fin.ST
Tri-criterion model for constructing low-carbon mutual fund portfolios: a preference-based multi-objective genetic algorithm approach
可持续金融将环境、社会和治理(ESG)标准整合到财务决策中,其基础是资金应该用于良好的目的。因此,金融业亦有望在全球经济脱碳方面发挥更重要的作用。为了使资金流动与低碳经济的道路相一致,投资者应能够在其财务决策中纳入除回报和风险之外的其他标准,以管理气候风险。我们提出了一个三标准的投资组合选择模型,以扩展经典的Markowitz均值-方差方法,以包括投资者对投资组合的碳风险暴露的偏好作为一个额外的标准。为了近似三维帕累托前沿,我们采用了一种高效的多目标遗传算法称为ev-MOGA,这是基于e-优势的概念。此外,我们引入了一个后验的方法,将投资者的偏好纳入解决方案的过程中,他们的可持续性偏好衡量的碳风险敞口和他/她的损失不利的态度。我们测试所提出的算法在欧洲SRI开放式基金的横截面的性能,以评估在何种程度上气候相关的风险可以嵌入到投资组合中,根据投资者的偏好。
2020-06-21 q-fin.GN q-fin.PM
Comparison of various risk measures for an optimal portfolio
在本文中,我们寻找最优的投资组合策略存在的各种风险措施,是常见的金融应用。特别地,我们处理的静态优化问题的风险价值,预期损失和期望效用损失措施。为此,在金融市场的布莱克-斯科尔斯模型下,利用鞅方法给出了最优终端财富的封闭解,然后通过表示问题得到最优投资组合策略.我们比较了这些措施的性能上的终端财富和最优策略的约束投资者。最后,我们给出了一些数值结果,从几个方面对它们进行了比较,为进一步的研究提供了参考。
2019-12-16 q-fin.PM
Approximation of Multiple Integrals over Hyperboloids with Application to a Quadratic Portfolio with Options
针对多元椭圆分布下二次期权投资组合,提出将双曲面重积分变换为径向与球面积分乘积的数值近似方法,并通过金融实例验证。\n
2003-09-17 cs.NA math.NA q-fin.PM
Financially Guided Deep Portfolio Optimization
Department of Software Engineering(软件工程系);Rochester Institute of Technology(罗切斯特理工学院)
提出一个端到端框架,通过直接优化夏普比率、Omega比率、条件风险价值(CVaR)和风险平价等关键财务指标的微分代理,利用神经网络学习投资组合权重,在2007-2023年50只标普500股票上,最佳模型(AttentionLSTM结合Omega-CVaR-RiskParity损失)在2022-2023年样本外测试中实现年化夏普比率0.29和总复合收益+7.86%,超越标普500指数12.38个百分点。
2026-09-23 cs.LG q-fin.PM
Deep Reinforcement Learning for ESG financial portfolio management
Universidad Pontificia Comillas(卡米亚斯大主教大学)
本研究将深度强化学习应用于ESG金融投资组合管理,通过A2C、PPO算法在多指数市场实验验证,发现ESG评分监管机制可提升DRL投资组合表现,为可持续投资策略提供参考。
2023-06-19 cs.LG q-fin.PM
Pathwise analysis of log-optimal portfolios
本文基于 càdlàg 粗糙路径理论构建确定性路径框架,研究无摩擦 Itô 扩散市场中对数最优投资组合的路径构造,并给出参数稳定性与时间离散化误差估计。
2025-07-24 math.PR q-fin.MF q-fin.PM
An Introduction To Regret Minimization In Algorithmic Trading: A Survey of Universal Portfolio Techniques
在金融投资中,通用投资组合是一种构建投资组合的方法,它保证相对于基线的一定水平的表现,同时对未来市场数据没有统计假设。它们属于后悔最小化算法的广泛类别。本文介绍和概述了通用投资组合技术,涵盖了该领域的一些基本概念和证明。主题包括:恒定再平衡的投资组合,覆盖算法,降低交易成本,有效的投资组合计算,包括边信息,跟随领导者算法。
2021-05-26 cs.CE q-fin.PM
Bayesian Optimization of ESG Financial Investments
Universidad Pontificia de Comillas(科米亚斯宗座大学)
金融专家和分析师试图预测金融市场的变化。特别是,这种变化的正确预测,确保投资者成功的投资。然而,在过去几年中,金融领域出现了一个大趋势,这就是ESG标准。具体而言,ESG(经济、社会和治理)标准在金融领域变得更加重要,因为对社会负责的投资越来越重要,而且公司在不遵守这些标准时会受到财务影响。因此,创建股票投资组合不仅要考虑其业绩,还要考虑是否符合ESG标准。因此,本文将数学建模与ESG和金融相结合。更详细地说,我们使用贝叶斯优化(BO),一个连续的国家的最先进的设计策略,以优化黑盒与未知的分析和成本计算表达式,以最大限度地提高股票投资组合的表现下,ESG标准的软约束纳入目标函数。在一个说明性的实验中,我们使用了夏普比率,它考虑了投资组合的收益及其方差,换句话说,它平衡了收益最大化和风险最小化之间的权衡。在目前的工作中,ESG标准已被划分为14个独立的类别中使用的线性组合,以估计公司的总ESG得分。最重要的是,我们提出的方法将扩展到估计股票投资组合的表现和ESG合规性的替代黑箱方法。特别是,这项研究为许多新的研究领域打开了大门,因为它已经证明,可以使用考虑财务业绩和ESG标准实现的BO来优化投资组合。
2023-02-10 cs.AI math.OC q-fin.PM
Measuring switching processes in financial markets with the Mean-Variance spin glass approach
在本文中,我们使用均值-方差模型来衡量当前的市场状态。在我们的研究中,我们采取的方法来检测自旋图片中的投资组合的整体对齐。对基态的投影使我们能够使用物理观测值来描述所探索市场的当前状态。定义的投资组合磁化显示光标效应,我们使用它来检测动荡。
2015-03-13 physics.soc-ph q-fin.PM q-fin.RM
Beyond ESG Scores: Learning Dynamic Constraints for Sequential Portfolio Optimization
Macquarie University(麦考瑞大学);The University of Queensland(昆士兰大学)
本文提出MACF和MACF-X方法,通过动态证据输入和三头分解,减少尾部ESG预算压力并保持竞争力,改进了序列投资组合优化中的ESG约束处理。
2026-05-10 cs.AI q-fin.PM
Predictive Decision Synthesis for Portfolios: Betting on Better Models
本文提出贝叶斯预测决策综合(BPDS)方法,在模型不确定性下对金融时间序列进行序贯学习、预测与投资组合再投资决策,并通过汇率预测与再平衡案例证明其优于传统贝叶斯分析。
2024-04-30 q-fin.PM stat.AP stat.ME
Geometry of Financial Markets -- Towards Information Theory Model of Markets
大多数用于描述金融市场状态和动态的参数依赖于相应变量的比例,而不是它们的实际值。因此,射影几何似乎是描述金融活动剧场的正确语言。我们假设代理人的兴趣对象,这里称为篮子,形成实数上的向量空间。投资组合被定义为包含相同比例资产的篮子的等价类。因此,投资组合形成了一个投影空间。交比是投影映射的不变量,是该模型的关键结构。关于资产X的报价(即以X为单位)由线性映射给出。在具有金融解释的各种类型的度量中,可以引入报价空间上的最小-最大度量。这个指标在回报率方面有一个有趣的解释。它可以被概括,以便纳入一个新的数值参数(称为温度),描述代理的缺乏知识的市场状况。通过对偶的方法,定义了市场报价空间的度量.此外,人们可以在投资组合/报价空间上定义一个有趣的度量结构,该结构相对于投资组合空间的双曲(洛伦兹)对称性是不变的。介绍形式主义开辟了新的有趣的和可能富有成效的研究领域。
2006-07-26 physics.soc-ph 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
Adaptive l1-regularization for short-selling control in portfolio selection
我们考虑l1-正则化Markowitz模型,其中一个l1-惩罚项被添加到经典的均值-方差的目标函数,以稳定的解决方案的过程,促进稀疏的解决方案。l1惩罚条款也可以用卖空来解释,几个金融市场已经对卖空进行了限制。正则化参数的选择对获得满足财务要求的最优投资组合起着关键作用。我们提出了一个更新规则的正则化参数在Bregman迭代控制的稀疏性和数量的短位置。我们表明,修改后的计划保留了原来的属性。数值试验表明了该方法的有效性。
2018-07-27 q-fin.PM