Analysis of Kelly-optimal portfolios
我们研究使用凯利的战略在建设一个最佳的资产组合。对于对数正态分布的资产收益率，我们得到近似的分析结果，在各种设置的最佳投资分数。当资产的平均收益率和波动率都很小时，不存在无风险资产时，凯利最优投资组合位于Markowitz有效前沿上。由于在研究的案例中，凯利方法禁止空头头寸和借贷，因此通常只有一小部分可用资产包含在凯利最优投资组合中。这种现象，我们称之为冷凝，分析研究在各种模式的情况下。
2009-04-23 physics.soc-ph 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
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
Off-Policy Optimization of Portfolio Allocation Policies under Constraints
金融中的动态投资组合优化问题经常需要学习政策，这些政策受到投资者偏好和风险的驱动，符合各种约束。我们激励这个问题的顺序决策框架内找到一个分配政策，并研究的影响：（a）使用以前采用的政策下收集的数据，这可能是次优和约束违反，（b）施加所需的约束，同时计算接近最优的政策与此数据。我们的框架依赖于解决一个极大极小的目标，其中一个球员评估政策通过关闭政策估计，和对手使用在线学习策略来控制约束违反。我们广泛调查各种选择的政策估计和相应的优化子程序，并量化其对计算约束感知分配政策的影响。我们的研究表明，在不同的操作制度，维度和约束条件下，在对历史股票数据进行回溯测试时，构建这样的政策会产生很好的结果。
2020-12-21 cs.AI q-fin.PM
Hedge Fund Portfolio Construction Using PolyModel Theory and iTransformer
Stony Brook University（石溪大学）；University of Paris I: Pantheon-Sorbonne（巴黎第一大学先贤祠-索邦大学）
针对金融时间序列数据稀疏导致机器学习方法应用困难的问题，本文结合PolyModel理论和iTransformer模型构建对冲基金投资组合，通过多风险因素选择、定量指标设计及深度学习技术提升，实现了更优的夏普比率和年化收益率。
2025-02-13 cs.LG q-fin.PM
Generalizing Markowitz Portfolio Optimization by a Quadratic Risk Measure
Institute of Mathematics, Vilnius University（维尔纽斯大学数学研究所）
该研究将经典马克维茨投资组合优化的方差风险测度推广至严格凸二次风险测度，推导了多种投资组合的闭式公式，发现切线投资组合与最大夏普比率投资组合不重合的新几何现象并通过数值示例验证。
2026-08-26 math.OC q-fin.PM
Multi-Hypothesis Prediction for Portfolio Optimization: A Structured Ensemble Learning Approach to Risk Diversification
University of Reading（雷丁大学）
本研究提出基于多假设先预测后优化的结构化集成学习投资组合配置框架，通过预测器多样性机制关联风险分散，在标普500和全球债券数据集上验证其可有效提升投资组合分散化效果与配置性能。
2025-05-03 q-fin.PM
Beating the Market with Generalized Generating Portfolios
随机投资组合理论的目的是寻找相对套利，即以概率1获得优于市场的交易策略。函数生成的投资组合是市场权重的确定性函数，是这样做的宝贵工具。驱动从业者的角度来看，投资决策的基础上考虑各种金融变量，我们推广功能生成的投资组合，并允许他们依赖于连续路径半鞅，除了市场权重。通过例子，我们展示了如何包括额外的过程可以减少时间范围，超过相对套利是可能的，提高性能的生成的投资组合，以及如何投资者的偏好和具体的投资观点可以包括在随机投资组合理论的背景下。罢工也是一个相对的套利机会，这是由额外的半鞅的波动率产生的建设。一个深入的实证分析所提出的策略的表现证实了我们的理论研究结果，并表明，我们的投资组合代表有利可图的投资机会，即使在存在交易成本。
2021-01-18 q-fin.MF q-fin.PM
Constrained Risk Budgeting Portfolios: Theory, Algorithms, Applications & Puzzles
本文发展了风险预算投资组合的理论，当我们想施加权重约束。看来，数学问题比传统的风险预算问题更复杂。为了确定正确的风险预算组合，制定优化方案尤为关键。我们还表明，可以使用大规模机器学习问题中使用的方法找到数值解。事实上，我们开发了一种算法，混合循环坐标下降法（CCD），交替方向的乘法器（ADMM），邻近的运营商和Dykstra的算法。然后，将这一理论体系应用于某些投资问题。特别是，我们展示了如何动态地控制一个风险平价投资组合的周转率，以及如何通过提高投资组合的流动性或减少小盘股偏见，建立基于ERC方法的智能贝塔投资组合。最后，我们强调了风险测度的齐性的重要性，并讨论了相关的标度问题。
2019-02-15 q-fin.PM
Learning and Portfolio Decisions for HARA Investors
当风险的市场价格是一个不可观测的随机变量时，我们最大化HARA投资者的终端财富的期望效用。我们计算的最优投资组合明确，并探讨学习的影响，通过比较它与相应的近视政策。特别是，我们表明，对于市场价格的风险常数的符号，部分观察下的投资组合和其近视的对手之间的比率增加的风险容忍度。因此，如果投资者比对数投资者的风险容忍度更高（更低），则部分观察案例的绝对值大于（小于）近视案例。此外，我们的显式计算，使详细研究所谓的套期保值需求引起的市场价格的风险。
2015-02-10 q-fin.PM
Mean-variance hybrid portfolio optimization with quantile-based risk measure
本文提出一种结合谱风险测度与风险价值的动态均值-方差混合投资组合优化模型，利用分位数优化与鞅表示推导出闭式策略，在有利与不利市场状态下动态调整风险资产比例，显著提升了Sortino比率并降低了下行风险。
2023-04-11 q-fin.MF q-fin.PM
Diversifying portfolios of U.S. stocks with crude oil and natural gas: A regime-dependent optimization with several risk measures
能源市场对政府和经济发展具有战略意义。一些初级商品作为替代能源和能源多样化竞争。这种竞争降低了国家的能源脆弱性以及投资组合的风险。脆弱性主要是供求冲击后的价格趋势和波动造成的。这种能源价格的不确定性吸引了能源商品市场的许多市场参与者。首先，能源生产者和消费者利用能源衍生品对冲不利的价格变化。第二，金融市场参与者利用商品和商品衍生品使其常规投资组合多样化。因此，我们认为美国（美国）之间的联合依赖。天然气、原油和股票市场。我们使用Gatfaoui（2015）的时变多变量Copula分析和相关方差机制。这种方法处理资产价格的结构性变化。有鉴于此，我们得出了投资组合优化的含义，当投资者分散他们的股票投资组合与天然气和原油资产。在投资组合的预期收益率和/或美国股票投资存在和不存在约束的情况下，我们最小化投资组合的方差、半方差和尾部风险。收益约束降低了最优投资组合的性能。此外，特定于制度的投资组合优化有助于在整个样本期内实施增强的主动管理策略。在收益约束下，半方差最优投资组合提供了最佳的风险收益权衡，而尾部风险最优投资组合提供了最佳的权衡在没有收益约束。
2018-11-06 q-fin.PM
Relationship between optimal portfolios which can maximize and minimize the expected return
近年来，利用统计力学信息学的分析方法，对投资组合优化问题的猝灭无序系统的最小投资风险以及最优投资组合的投资集中度的评估进行了积极的研究。然而，迄今为止的工作还没有充分比较不同的投资组合优化问题的最优投资组合。因此，本文利用Lagrange待定乘数法和复制分析方法，研究了在预算和投资风险约束下，预期收益率最大化问题和预期收益率最小化问题的最优投资组合之间的关系。特别是，我们得到的均方误差和相关系数的最优投资组合的这些最大化和最小化问题作为一个变量的函数（风险容忍度），可以表征的可行子空间定义的两个约束。
2019-08-21 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
Sustainable Investment: ESG Impacts on Large Portfolio
Shanghai University of Finance and Economics（上海财经大学）；Key Laboratory of Mathematical Economics (Shanghai University of Finance and Economics), Ministry of Education（教育部数学经济学重点实验室（上海财经大学））；The Australian National University（澳大利亚国立大学）
本文提出了一种自适应正则化投资组合，通过优化正则化矩阵选择以提高ESG约束下的投资组合夏普比率，实证显示其在可持续投资中具有高效性。
2026-02-16 q-fin.PM
Preference-fitting Framework: Elicited Utility Function and PHARA Approximation
Tsinghua University（清华大学）；The Chinese University of Hong Kong (Shenzhen)（香港中文大学（深圳））
提出引出的效用函数定义及偏好拟合方法，用概率-财富对推导拟合终端财富、投资组合和效用函数，还开发PHARA效用近似法并验证收敛性，展示该方法在投资组合选择中的应用及优势。
2026-07-07 q-fin.PM
Portfolio Optimization on Multivariate Regime Switching GARCH Model with Normal Tempered Stable Innovation
本文采用基于模拟的投资组合优化方法来降低投资组合的左尾部风险。贡献是双重的。(i)本文提出了一个具有多元正态调和稳定新息的马尔可夫状态转换GARCH模型（MRS-MNTS-Gestival），以适应厚尾、波动率聚集和状态转换的特点。各资产的波动率独立地服从体制转换GARCH模型，而各GARCH模型的联合新息的相关性服从隐马尔可夫模型。(ii)在投资组合优化中，我们使用尾部风险度量，即条件风险价值（CVaR）和条件提取风险（CDaR）。优化是用MRS-MNTS- GARCH模型模拟的样本路径进行的。我们对最优投资组合的绩效进行了实证研究。样本外检验表明，在各种绩效指标上，具有尾部测度的最优投资组合优于具有标准差测度的最优投资组合和等权重投资组合。最优投资组合的样本外表现对有效前沿上的次优性也更鲁棒。
2023-02-02 q-fin.MF q-fin.PM q-fin.RM
A General Framework for Portfolio Theory. Part II: drawdown risk measures
本文的目的是提供几个凸风险度量的例子，这些例子对于Maier-Paape和Zhu的投资组合理论的一般框架的应用是必要的，Maier-Paape和Zhu在本系列的第一部分（arXiv：1710.04579 [q-fin.PM]）中提出。作为替代经典的投资组合风险的措施，如标准差，我们特别是构建相关的投资组合权益的当前提取的风险措施。结合第一部分的结果（arXiv：1710.04579 [q-fin.PM]），这使我们能够计算基于缩减风险度量约束的有效投资组合。
2017-10-13 q-fin.PM q-fin.RM
Robust Optimization Approaches for Portfolio Selection: A Computational and Comparative Analysis
投资组合选择领域是一个活跃的研究课题，它结合了来自各个领域的元素和方法，如优化，决策分析，风险管理，数据科学，预测等。未来资产回报的深度不确定性的建模和处理是分析投资组合选择模型成功的主要问题。近年来，鲁棒优化（RO）模型在这一领域引起了广泛的兴趣。RO基于对不确定风险参数的概率分布的相对一般的假设，为投资组合优化提供了一个计算上易于处理的框架。因此，RO扩展了传统线性和非线性模型的框架（例如，众所周知的均值-方差模型），通过正式和分析方法将不确定性纳入建模过程。现有模型的鲁棒对应物可以被认为是最坏情况下的重新制定，只要不确定参数从其标称值的偏差有关。虽然在文献中已经提出了几个RO模型，侧重于各种风险措施和不同类型的不确定性集的资产回报，分析其性能的实证评估还没有进行全面的方式。本研究的目的是填补文献中的这一空白。更具体地说，我们考虑了基于流行风险度量的不同类型的RO模型，并使用2005-2016年期间美国市场的数据对其性能进行了广泛的比较分析。
2020-10-26 math.OC 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
How the investor's risk preferences influence the optimal allocation in a credibilistic portfolio problem
经典的投资组合理论是寻找一个代理人将财富投资于无风险资产和概率风险资产的最佳比例。公式化和解决问题取决于如何表示风险，以及如何与效用函数结合定义期望效用的概念。本文将风险视为一个模糊变量，并在刘晓波可信性理论的背景下定义了期望效用的概念。因此，投资组合选择问题被公式化为一个优化问题，其中的目标函数是一个模糊的期望效用。证明了可转换风险资产最优配置的不同近似计算公式。这些公式包含两种类型的参数：与模糊变量（期望值，方差，偏度和峰度）和风险厌恶，谨慎和节制指标的效用函数的各种momentaries。
2019-01-25 cs.CE q-fin.PM
Adaptive Portfolio by Solving Multi-armed Bandit via Thompson Sampling
Zhejiang University（浙江大学）；Macqaurie University（麦考瑞大学）
作为现代投资组合理论的基石，马科维茨的均值-方差最优化模型被认为是投资组合管理的主要模型。但由于其参数难以估计，不能适用于所有时期。在某些情况下，简单的策略，如等权重和价值加权投资组合甚至可以获得更好的表现。在这种情况下，我们可以使用多个经典策略作为多臂强盗中的多个战略武器，从而自然地与投资组合选择问题建立联系。这也有助于通过在探索和利用之间进行权衡来最大化强盗算法中的回报。在本文中，我们提出了一个投资组合强盗策略，通过汤普森抽样，旨在使在线投资组合的选择，有效地利用多个武器之间的性能。同时，通过构建多个战略武器，可以得到适应不同投资时期的最优投资组合。此外，我们设计了一个新的奖励功能，根据用户的不同投资风险偏好，它可以适应各种投资风格。我们的实验结果表明，我们提出的投资组合策略在广泛的评估标准方面具有显著的优越性。
2019-11-14 cs.LG q-fin.PM stat.ML
Mirror Descent Algorithms for Risk Budgeting Portfolios
本文提出用镜像下降算法求解正齐次次可加风险测度下的风险预算组合，给出确定性与随机情形的收敛性及非渐近速率，并通过数值实验验证其优于标准随机梯度下降法。
2024-11-19 math.PR q-fin.PM q-fin.RM
Monte Carlo Portfolio Optimization for General Investor Risk-Return Objectives and Arbitrary Return Distributions: a Solution for Long-only Portfolios
我们发展了使用随机投资组合的蒙特卡罗抽样来解决证券投资问题的思想。在这第一篇论文中，我们探讨了需要更一般的优化工具，并考虑约束随机投资组合可能产生的手段。一个实用的计划，只有充分投资的问题，开发和测试的经典QP应用程序。蒙特卡罗方法的优点是，它们可以扩展到风险函数，这些风险函数是收益分布的更复杂的函数，并且可以在没有经典高斯限制的情况下计算潜在的收益分布。二次风险收益函数的优化，即风险值、CVaR，可以用类似于Sortino和Omega的变异率，或类似于期望效用及其行为金融扩展的数学结构的方式来处理。也有可能进行强化。网格计算技术是一个很好的平台，这种计算的发展，由于内在的并行计算的性质，再加上需要在网格上传输只有小数据包。我们给出了一些部署GridMathematica的例子，在这些例子中，不同的投资者风险偏好被优化为不同的多元分布。当采用“边顶点有偏”抽样方法创建随机投资组合时，与均值-方差和CVaR优化的已有结果进行了很好的比较。我们也给出了一个应用Omega优化。
2010-08-22 q-fin.CP q-fin.PM q-fin.RM
Density quantization method in the optimal portfolio choice with partial observation of stochastic volatility
计算方面的最优消费和投资与部分观察到的资产价格的随机波动率。介绍了一种新的滤波量化方法--密度量化，它将滤波问题的无穷维状态空间简化为有限的量化集。将密度量化嵌入到数值算法中，求解与投资组合优化相关的动态规划方程。
2010-09-29 q-fin.CP q-fin.PM
Portfolio Optimization with Robust Covariance and Conditional Value-at-Risk Constraints
本研究评估了多种稳健协方差估计量在投资组合优化中的表现，发现在极端市场下需引入CVaR约束控制尾部风险，并结合K-means的NCO算法以缓解数值不稳定性并降低回撤。
2024-06-02 econ.EM math.OC q-fin.MF
Stock Performance Evaluation for Portfolio Design from Different Sectors of the Indian Stock Market
Praxis Business School（普拉西斯商学院）
股票市场提供了一个人们买卖上市公司股票的平台。一般来说，股票价格是相当不稳定的，因此预测它们是一项艰巨的任务。仍然有很多研究要开发更准确的股票价格预测。投资组合构建是指以最佳方式分配不同行业的股票，以实现最大回报，并承担最小风险。一个好的投资组合可以帮助投资者以最小的风险获得最大的利润。从道琼斯理论开始，在建立有效投资组合方面取得了很大进展。在这个项目中，我们试图预测来自印度经济六个重要行业的一些股票的未来价值，并建立了一个投资组合。作为该项目的一部分，我们的团队对各种时间序列、机器学习和深度学习模型在股票价格预测中的表现进行了研究，这些模型是从选定的六个重要经济部门中选出的。作为构建有效投资组合的一部分，我们从现代投资组合理论开始，研究了多种投资组合优化理论。我们使用过去五年的每日股票价格作为训练数据，为所有六个选定的行业建立了最小方差投资组合和最优风险投资组合，并进行了回测，以检查投资组合的性能。我们期待着在股票价格预测和资产配置领域继续我们的研究，并将此项目视为第一个垫脚石。
2022-07-01 cs.LG q-fin.PM
Portfolio Optimization
本文采用投资组合优化技术来确定最有利的投资组合。特别是，评估了三家公司的股票指数，即微软公司、克里斯汀·迪奥时装公司和雪弗龙公司。利用这些数据，当在有效前沿选择一个投资组合时，计算出投资于每种资产的金额。此外，还提出了最小方差投资组合、切线投资组合和最优Markowitz投资组合。
2022-01-03 q-fin.PM q-fin.ST
Portfolio Choice with Stochastic Investment Opportunities: a User's Guide
本调查回顾了投资机会随机的环境中的投资组合选择，随机波动率或收益可预测性。解释了如何使用随机控制的工具来精确地计算候选最优投资组合，以及如何通过凸对偶来严格地验证它们的最优性。特别强调的是放在长期的地平线渐近，导致特别容易处理的结果。
2013-11-07 math.OC q-fin.PM
Developing A Multi-Agent and Self-Adaptive Framework with Deep Reinforcement Learning for Dynamic Portfolio Risk Management
The University of Hong Kong（香港大学）
本文提出 MASA 多智能体自适应强化学习框架，通过协作智能体和市场观察者动态平衡收益与风险，并在三大指数10年数据上验证优势。
2024-09-10 cs.LG q-fin.PM
Constructing Time-Series Momentum Portfolios with Deep Multi-Task Learning
Singapore University of Technology and Design（新加坡科技设计大学）
提出一种基于深度多任务学习的新方法，联合学习投资组合构建与波动率预测等辅助任务，有效提升了时间序列动量策略的收益表现与风险保护能力。
2023-06-08 cs.LG q-fin.CP q-fin.PM
Analytical Framework for Credit Portfolios. Part I: Systematic Risk
分析，免费的耗时蒙特卡罗模拟，信贷组合系统风险度量计算的框架。本文描述了允许计算投资组合级别系统性风险度量（标准差、风险价值和预期损失）以及将风险分配到单个交易的技术。基础模型是行业标准的多因素默顿型模型，在水平线上具有任意估值函数（与简单的仅违约情况相反）。通过对蒙特卡罗模拟的基准测试，证明了所提出的分析技术的高精度。
2011-07-13 q-fin.CP q-fin.PM q-fin.RM
Implementing portfolio risk management and hedging in practice
本文面向实际业务提出跨资产投资组合风险管理与对冲方法，将问题置于近似二次规划的凸优化框架内，并说明建模抽象、量纲分析、推导假设及用 CVXOPT 求解。
2023-09-27 q-fin.CP q-fin.PM q-fin.RM
Some connections between higher moments portfolio optimization methods
在本文中，不同的投资组合优化方法具有较高的时刻，如偏度和峰度进行分类，使读者可以观察到不同的范式和方法在这一领域的研究，这是必不可少的从业人员在对冲基金，特别是。回顾了基于不同范式的几种方法，如效用方法和多目标优化，并说明了这些思想的优点和缺点。关键词：多目标优化，投资组合优化，标量化，效用
2022-01-01 cs.CE q-fin.PM
Saddlepoint methods in portfolio theory
我们讨论了鞍点方法在投资组合分析中的应用，特别是信贷投资组合。目标是从通过概率、相关性等给出的损失分布模型出发，得到该分布的解析近似值。一旦这样做，我们将展示如何获得所谓的风险贡献，这是风险度量的衍生工具，如给定的分位数（VaR）或预期损失，在基础资产的配置。这些非正式地显示了风险来自哪里，也表明了如何优化投资组合。
2011-12-30 q-fin.PM q-fin.RM
f-Betas and Portfolio Optimization with f-Divergence induced Risk Measures
本文提出基于 f-散度诱导风险测度的 f-Beta 指标，扩展至回撤情形，并通过 S&P 500 实验展示其相对标准 Beta 的新视角与压力敏感性。
2023-05-12 math.OC q-fin.PM q-fin.RM
ChatGPT-based Investment Portfolio Selection
SS&C Algorithmics（SS&C算法公司）；Indian Institute of Technology Bombay（印度理工学院孟买分校）；University of Toronto（多伦多大学）
本文研究ChatGPT在投资组合选择中的应用，发现其在股票筛选上有效但权重分配能力不足，将ChatGPT选股与量化优化模型结合可获得更优投资结果，提出混合决策方法。
2023-08-11 cs.AI cs.CE q-fin.CP
Dynamic and static fund separations and their stability for long-term optimal investments
本文研究了三类模型下的动态和静态基金分离及其稳定性。在由一种安全资产、几种风险资产和一个状态变量组成的不完全市场中，投资者在相对风险厌恶不变的情况下最大化期望效用。两个模型类中的状态变量分别遵循3/2过程和逆贝塞尔过程。另一种市场模型将部分观测的状态变量建模为Ornstein-Uhlenbeck状态过程。我们证明了这种效用最大化的动态最优投资组合由m+3个投资组合组成：安全资产、近视投资组合、m个时间无关投资组合和跨期投资组合。随着时间的推移，跨期投资组合最终消失，导致动态投资组合收敛到m+2个投资组合，称为静态投资组合。我们还证明了在模型参数扰动下收敛是稳定的。此外，跨期投资组合对小参数扰动的敏感性也在长期消失。跨期投资组合的收敛速度及其灵敏度计算明确提出的模型。
2023-03-13 q-fin.MF q-fin.PM
Advancing Portfolio Optimization: Adaptive Minimum-Variance Portfolios and Minimum Risk Rate Frameworks
本研究提出自适应最小方差投资组合（AMVP）框架与最小风险率（AMRR）指标，利用ARFIMA-FIGARCH等模型实现动态优化，实证显示在波动市场中有效降低风险并提升稳定性。
2025-01-27 econ.EM q-fin.PM stat.ME
Practical Portfolio Optimization with Metaheuristics:Pre-assignment Constraint and Margin Trading
本文提出一种融合预分配约束与保证金交易策略的元启发式投资组合优化方法，经算例验证其相比传统基准能带来更优的风险调整后收益，凸显了资产筛选辅助下元启发式算法的应用潜力。
2025-03-20 cs.CE q-fin.PM
Optimal portfolio selection and compression in an incomplete market
我们研究了最优投资问题的一般性能标准，特别是，包括不连续的功能。价格被建模为扩散，市场是不完全的。我们找到了一个明确的解决方案的情况下，有限的多样化的投资组合，即投资组合压缩问题。这意味着一个可接受的策略可以同时包含不超过m个不同的股票，其中m可以小于可用股票的总数n。
2002-07-27 math.OC math.PR q-fin.PM
Precise Stock Price Prediction for Robust Portfolio Design from Selected Sectors of the Indian Stock Market
Praxis Business School（普拉西斯商学院）
股票价格预测是一项具有挑战性的任务，在这一领域的文献中存在许多命题。投资组合构建是选择一组股票并进行最佳投资以最大化回报同时最小化风险的过程。自从Markowitz提出现代投资组合理论以来，在构建有效投资组合方面取得了一些进展。如果投资者投资于一个有效的投资组合，并且可以通过高精度地估计投资组合的未来资产价值来提前做出买入或卖出决策，那么投资者可以从股票市场中获得最大的收益。在这个项目中，我们建立了一个有效的投资组合，并预测未来的资产价值，通过个别股票价格预测的股票组合。作为构建有效投资组合的一部分，我们从现代投资组合理论开始研究了多种投资组合优化方法。我们以过去五年的股票价格作为训练数据，建立了五个行业的最小方差投资组合和最优风险投资组合，并进行了回测，以检查投资组合的性能。利用回测法对最小方差投资组合和最优等权投资组合进行了比较研究。
2022-01-14 cs.LG q-fin.CP q-fin.PM
Minimum Rényi Entropy Portfolios
在稳健的投资组合优化中，对资产收益的非正态性进行会计处理仍然具有挑战性。在本文中，我们通过评估投资组合的风险来解决这个问题，通过其回报所传达的“随机性”来评估投资组合的风险。我们通过使用依赖于雷尼熵指数的目标函数来实现这一点，雷尼熵是一种信息论标准，可以精确量化分布中嵌入的不确定性，并考虑高阶矩。与香农熵相比，雷尼熵具有一个可以调整的参数，以适应不确定性的概念。Gram-Charlier展开表明它控制了测量中分布的中心（方差）和尾部（峰度）部分的相对贡献。我们进一步依赖于指数雷尼熵的非参数估计，扩展了最初为香农熵设计的鲁棒样本间距估计。一个投资组合选择应用程序说明，最小化雷尼熵产生的投资组合在风险-回报-周转率权衡方面优于最先进的最小方差投资组合。
2018-07-02 q-fin.MF q-fin.PM q-fin.RM
