Proximal Linearized Method for Sparse Equity Portfolio Optimization with Minimum Transaction Cost
在本文中,我们提出了一个稀疏的股票投资组合优化(SEPO)的均值-方差投资组合选择模型的基础上。为了通过避免小投资来最小化交易成本,该新模型包括资产权重的$\ell_0$ -范数正则化以促进稀疏性,因此首字母缩写为SEPO- $\ell_0$。选择模型也受到最小预期回报的影响。由于模型的复杂性,我们采用了近似方法,通过相应的近似算子分别处理目标项。我们开发了一个有效的ADMM类算法来寻找最优投资组合,并证明了其整体收敛。使用真实的股票数据证明了该算法的效率和模型是有前途的投资组合选择在产生更高的预期收益,同时保持良好的稀疏性水平,从而最大限度地减少交易成本。
2021-09-13 math.OC
Multi-period Value-at-Risk Constrained Portfolio Optimization via DC Programming
University of Economics Ho Chi Minh City(胡志明市经济大学)
该研究针对带VaR约束等的多期投资组合优化问题,提出iBDCA算法求解,经理论分析与数值实验验证其有效性,可平衡收益、风险等多维度指标。
2026-09-04 math.OC
Multi-Period Portfolio Optimization: Translation of Autocorrelation Risk to Excess Variance
从长远来看,增长最优投资组合保证比任何其他投资策略积累更高的财富。然而,它们在短期内往往有风险。对于序列不相关的市场,最近提出了类似的投资组合,具有更强的担保。本文扩展了这些强大的投资组合,容纳非零自相关,可能会反映投资者对市场走势的信念。此外,我们证明了这种自相关性所带来的风险可以通过修改资产收益的协方差矩阵来吸收。
2016-09-19 math.OC q-fin.PM
Optimal Portfolio with Ratio Type Periodic Evaluation under Short-Selling Prohibition
本文针对卖空约束下无限期比率型定期评估的投资组合效用最大化问题,通过重构单期辅助问题、引入对偶控制刻画候选最优解,最终推导验证原问题的值函数与最优策略,并探讨其金融启示。
2023-12-19 math.OC q-fin.PM
On Optimal Portfolios of Dynamic Resource Allocations
我们考虑在有限的规划范围内,每个实体产生随机回报作为其资源分配的函数在每个时期的多个通用实体之间的通用资源的最优分配。其主要目标是最大限度地提高预期回报,同时将每个时期的风险管理到可接受的水平。我们设计了一个通用的解决方案框架,并建立如何获得最优的动态资源分配。
2017-02-24 math.OC
FlashFolio: A GPU-Accelerated Solver for Portfolio Optimization
Point72 Asset Management(Point72资产管理);MIT, Sloan School of Management(麻省理工学院斯隆管理学院);University of Chicago, Department of Statistics(芝加哥大学统计系)
本文提出FlashFolio,一种基于GPU的portfolio优化求解器,针对单期和多期portfolio优化问题,结合因子风险建模、买卖价差成本和非线性市场影响,通过实测数据验证其在大规模问题上的高效性和鲁棒性。
2026-04-24 cs.CE math.OC
Unified Framework of Mean-Field Formulations for Optimal Multi-period Mean-Variance Portfolio Selection
经典的基于动态规划的最优随机控制方法不能处理不可分的动态优化问题,因为最优性原理不再适用于这种情况。在这些臭名昭著的不可分离问题中,动态均值-方差投资组合选择公式直到最近才给我们的研究界带来了巨大的挑战。在过去的十年中,包括嵌入方案在内的一些求解方法已经成功地解决了动态均值-方差投资组合选择问题。在本文中,我们提出了一种新的平均场框架,提供了一个更有效的建模工具和更准确的解决方案,直接处理的问题的不可分离性和推导的最优策略分析多期均值方差型投资组合选择问题。
2013-03-05 math.OC q-fin.PM
Cardinality Constrained Mean-Variance Portfolios: A Penalty Decomposition Algorithm
针对现有基数约束均值-方差投资组合求解方法依赖正则化近似、超参数多且维度高的问题,提出定制化惩罚分解算法,用带闭式解的BCD求解惩罚子问题,可收敛到局部极小值且在真实数据集上效率和性能优于现有最优方法。
2024-07-11 math.OC
A Closed-Form Solution of the Multi-Period Portfolio Choice Problem for a Quadratic Utility Function
本文在弱条件下推导出二次效用函数多期投资组合选择问题的闭式解,揭示其与单期Markowitz解的关系,并在真实数据上验证了策略效果。
2014-11-11 math.OC math.PR q-fin.PM
A Scalable Algorithm For Sparse Portfolio Selection
稀疏投资组合选择问题是最优化和金融经济学文献中最著名和最常研究的问题之一。在风险资产的宇宙中,目标是构造一个具有最大预期收益和最小方差的投资组合,服从头寸数量的上界、线性不等式和最小投资约束。现有的证明最佳的方法,这个问题不收敛在一个实际的时间量在现实世界的问题规模超过400证券。在本文中,我们提出了一个更具可扩展性的方法。通过引入岭正则化项,我们将问题转化为一个凸二元最优化问题,通过一个有效的外近似过程可以求解。我们提出了各种技术,以提高性能的过程中,包括启发式提供高质量的热启动,预处理技术,以减少在根节点的差距,和分析技术,以加强我们的削减。我们还研究了该问题的布尔松弛,证明了它是二阶锥可表示的,并给出了其紧性的充分条件。在数值实验中,我们建立了外近似过程引起显着的加速稀疏投资组合选择问题。
2021-03-28 math.OC
Functional portfolio optimization in stochastic portfolio theory
在本文中,我们开发了一个具体的和完全可实现的方法来优化随机投资组合理论中的功能生成的投资组合。其主要思想是优化一个家庭的排名为基础的投资组合参数的指数凹函数的单位区间。这一选择的动机可能是在大型股票市场中观察到的资本分布的长期稳定性,并允许我们规避维数灾难。由此产生的优化问题,这是凸的,允许各种正则化和约束施加在生成函数上。我们证明了我们的优化问题的存在性和唯一性的结果,并提供了一个稳定性估计的Wasserstein度量的输入措施。然后,我们制定了一个离散化,可以实现数值使用现有的软件包,并分析其近似误差。最后,我们提出了实证的例子,使用CRSP数据从美国股票市场,包括业绩的投资组合考虑股息,违约,和交易成本。
2021-10-10 math.OC q-fin.PM
Scenario generation for single-period portfolio selection problems with tail risk measures: coping with high dimensions and integer variables
在本文中,我们提出了一个问题驱动的情景生成方法,使用尾部风险措施,如条件风险价值的单期投资组合选择问题。尾部风险度量对于量化最坏情况下的潜在损失非常有用。然而,对于基于情景的问题,这些是有问题的:因为尾部风险度量的值仅取决于资产收益分布支持的一小部分,传统的基于情景的方法,将情景均匀地分布在整个分布支持上,产生非常不稳定的解决方案,除非我们使用非常大量的情景。所提出的方法的工作原理,优先建设的情况下,在该地区的概率分布对应的尾部损失的可行的投资组合。所提出的方法可以应用到困难的情况下,其特征在于高维,非椭圆分布的资产收益率的投资组合选择问题,并存在整数变量。还观察到,该方法的工作更好的可行的一套投资组合变得更加约束。基于这一事实,提出了一种基于样本平均近似法的启发式算法。该算法的工作原理是向问题中添加人工约束,这些约束逐渐收紧,从而使人们能够获得高质量的解决方案。
2017-04-06 math.OC q-fin.RM
Multistage stochastic programs with a random number of stages: dynamic programming equations, solution methods, and application to portfolio selection
我们引入了一类具有随机数阶段的多阶段随机最优化问题。对于此类问题,我们展示了如何编写动态规划方程,并详细介绍了求解这些方程的随机对偶动态规划算法。最后,我们考虑了一个随机持续时间的优化期上的投资组合选择问题。对于这个问题的几个实例,我们显示了使用一个策略获得的收益,该策略考虑了阶段数的随机持续时间,而不是考虑了固定阶段数(即阶段的最大可能数量)的策略。
2019-07-17 math.OC
On the Exact Solution of the Multi-Period Portfolio Choice Problem for an Exponential Utility under Return Predictability
本文在收益可预测性假设下推导了指数效用多期投资组合选择问题的精确解,证明最优权重取决于未来两期协方差矩阵和下一期条件均值,并通过实证研究比较了该策略与独立收益假设下策略的财富分布表现。
2012-07-04 math.OC math.PR q-fin.PM
Sparse Portfolio Selection via Non-convex Fraction Function
本文研究了具有卖空约束和不具有卖空约束的稀疏投资组合选择模型中的连续非凸提升稀疏分数函数。首先,我们研究了问题$(FP_{a,λ,η})$的最优解的性质,包括一阶和二阶最优性条件以及非零项绝对值的上下界。其次,我们发展了问题$(FP_{a,λ,η})$的阈值表示论。在此基础上,证明了$P_{a}(x)$的梯度预解算子的存在性,计算了其解析表达式,并提出了求解$(FP_{a,λ,η})$的迭代分数惩罚阈值算法(IFPT).此外,我们还证明了正则化参数$λ>0$的值不能选择太大。实际上,存在$\barλ>0$,使得对于任何$λ>\barλ$,问题$(FP_{a,λ,η})$的最优解等于零。最后,受问题$(FP_{a,λ,η})$的阈值表示论的启发,我们提出了一种求解问题$(FP_{a,λ,η}^{\geq})$的迭代非负分数惩罚阈值(INFPT)算法。实证结果表明,我们的方法,对于一些适当的$a>0$,执行有效的找到稀疏的投资组合的权重有和没有卖空的限制。
2018-01-28 math.OC
Optimal portfolio under ratio-type periodic evaluation in stochastic factor models under convex trading constraints
Fujian Normal University(福建师范大学);Xiamen University(厦门大学);The Hong Kong Polytechnic University(香港理工大学)
研究凸交易约束下不完全随机因子模型中基于相邻财富比率周期性评估的无限期最优投资组合问题,通过辅助问题和对偶方法推导并验证了最优策略。
2026-06-11 math.OC q-fin.MF q-fin.PM
A nonlinear optimisation model for constructing minimal drawdown portfolios
在本文中,我们考虑的问题,最小化提取的投资组合的金融资产。这里的回撤代表了在特定时间段内单个最佳错失交易机会的相对机会成本。我们制定的问题(最小化的平均水位下降,最大回撤,或两者的加权组合)作为一个非线性的程序,并显示它可以部分线性化,通过替换一个非线性约束等效的线性约束。计算结果(使用非线性求解器SCIP生成)的三个测试实例,从EURO STOXX 50,FTSE 100和S&P 500的每日价格数据在2010年至2016年期间。我们目前的结果,只有长期缩编的投资组合,以及结果的投资组合与长期和短期的立场。这表明,(平均而言)我们的最小回撤投资组合在样本期外(约1800个交易日)的回报率、夏普比率、最大回撤和平均回撤方面主导了市场指数。
2019-08-23 math.OC q-fin.PM q-fin.RM
Regularized Stochastic Dual Dynamic Programming for convex nonlinear optimization problems
我们定义了一个正则化的变形的对偶动态规划算法称为REDDP(正则化对偶动态规划)来解决非线性动态规划方程。我们将该算法推广到求解非线性随机动态规划方程。相应的算法,称为SDDP-REG,可以被看作是一个扩展的正则化的随机对偶动态规划(SDDP)算法最近推出的线性问题,研究较少的一般性中心。我们展示了REDDP和SDDP-REG的收敛性。我们评估了REDDP和SDDP-REG在具有直接交易成本和市场影响成本的投资组合模型上的表现。特别地,我们提出了一个风险中性的投资组合选择模型,它可以被视为一个多阶段的随机二阶锥规划。该公式的动机是市场影响成本对大型投资组合再平衡操作的影响。数值模拟表明,REDDP是快得多DDP的所有问题的情况下考虑(高达184倍快于DDP),SDDP-REG是更快的情况下,投资组合选择问题的市场影响成本测试和更快的风险中性的多阶段随机线性规划的情况下实施(8.2倍快)。
2020-05-01 math.OC
Multi-period investment strategies under Cumulative Prospect Theory
受Shi等人的启发,本文研究了在累积前景理论(CPT)下,多期投资环境下,一种无风险资产和一种风险资产的最优投资组合选择问题。与他们的研究相比,我们的新颖之处在于,我们考虑了一个随机的基准,和投资组合约束。我们测试的最佳CPT投资策略的敏感性,不同的模型参数进行数值分析。
2019-03-22 math.OC q-fin.PM
Distributionally robust portfolio maximisation and marginal utility pricing in one period financial markets
我们考虑了风险厌恶代理的最优投资和边际效用定价问题,并量化了它们对少量模型不确定性的暴露。具体地说,我们明确地计算一阶灵敏度的价值函数,最优投资策略和边际期权价格模型的不确定性。后者被理解为在概率测度空间中用来自围绕$\mathbb{P}$的小Wasserstein球的不利选择来替换基线模型$\mathbb{P}$。因此,我们的敏感性是完全非参数的。我们发现,结果纠缠的基准模型规范和代理人的风险态度。敏感性可以表现在一个非单调的方式作为基准模型的夏普比率的函数,资产在代理的投资组合的相对权重可以改变和边际价格可以增加时,代理面临的模型不确定性。
2021-11-12 math.OC math.PR q-fin.MF
Multi-period Mean-Expectile Portfolio Optimization under Wasserstein Ambiguity: Reformulation, Degeneracy and the Role of the Ground Metric
Indian Institute of Technology Delhi(印度德里理工学院)
该研究针对Wasserstein模糊下多周期均值-期望投资组合优化的难题,开发最坏情况期望损失的包络定理重构模型,经90个富时成分股3341个交易日数据验证,所提期望损失模型优于匹配条件的CVaR模型。
2026-10-09 math.OC q-fin.CP
On optimal tracking portfolio in incomplete markets: The reinforcement learning approach
针对不完全市场下的无限期最优跟踪投资组合注资问题,分别在参数已知时推导带反射动力学的HJB方程显式解,参数未知时提出带熵正则的连续时间q-learning算法,数值实验验证了算法性能。
2024-10-31 math.OC q-fin.PM
Risk-based optimal portfolio of an insurer with regime switching and noisy memory
本文研究了带噪声记忆的状态转换跳跃扩散模型中保险公司基于风险的最优投资问题。使用模型的不确定性建模,我们制定的投资问题作为一个零和,随机微分延迟游戏之间的保险公司和市场,凸风险测度的终端盈余和布朗延迟盈余在一段时间$[T-\varrho,T]$。然后,通过Bethesda方法,解决了博弈问题。最后,我们推导出解析解的博弈问题,一个特殊的情况下,二次罚函数和一个数值例子被认为是。
2019-03-21 math.OC q-fin.PM
Smooth solutions to portfolio liquidation problems under price-sensitive market impact
考虑金融交易者在短时间内对一个大的资产组合进行平仓的随机控制问题。交易者可以同时向一级市场提交主动订单和向暗池提交被动订单。我们的框架是灵活的,足以让价格依赖的影响函数描述的交易成本在一级市场和价格依赖的逆向选择成本与暗池交易。我们证明了价值函数可以用具有奇异终值的偏微分方程的唯一光滑解来刻画,建立了其在终值时刻的显式渐近行为,并给出了反馈形式的最优交易策略.
2017-06-22 math.OC q-fin.PM q-fin.TR
A Mean-Field Control Problem of Optimal Portfolio Liquidation with Semimartingale Strategies
本文研究含暂时性市场冲击与自激订单流的投资组合清算平均场控制问题,通过非标准Riccati方程组及变换证明全局解存在,并发现最优策略仅在交易期初和期末跳跃。
2023-09-26 math.OC q-fin.MF
Accelerated Method for Stochastic Composition Optimization with Nonsmooth Regularization
University of Pittsburgh(匹兹堡大学);University of Rochester(罗切斯特大学)
随机组合优化近年来引起了人们的广泛关注,并在机器学习、统计分析和强化学习等新兴应用中取得了成功。本文主要研究带非光滑正则化惩罚的复合问题。以往的工作要么收敛速度慢,或没有提供完整的收敛性分析的一般问题。本文针对这两个问题,提出了一种新的随机组合优化方法,用于求解带非光滑正则化惩罚的组合优化问题。在我们的方法中,我们应用方差减少技术,以加快收敛速度。据我们所知,我们的方法承认最快的收敛速度随机复合优化:强凸复合问题,我们的算法被证明是线性收敛;一般的复合问题,我们的算法显着提高了国家的最先进的收敛速度从$O(T^{-1/2})$到$O((n_1+n_2)^{{2}/{3}}T^{-1})$。最后,我们将我们提出的算法应用于强化学习中的投资组合管理和策略评估。实验结果验证了我们的理论分析。
2017-12-29 cs.LG math.OC