Smart leverage? Rethinking the role of Leveraged Exchange Traded Funds in constructing portfolios to beat a benchmark
该研究针对杠杆交易型开放式指数基金(LETFs)潜力被低估的问题,通过闭式分析与神经网络方法构建信息比率(IR)最优策略,发现含宽基指数LETF的策略更易跑赢基准且实现终端财富的部分随机占优。
2025-03-22 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
Designing an Optimal Portfolio for Iran's Stock Market with Genetic Algorithm using Neural Network Prediction of Risk and Return Stocks
不同资产之间的最优资本配置问题是一个重要的金融问题,一般被归结为投资组合优化问题。一般模型包括单期和多期两种情况。传统的均值-方差模型是由HarryMarkowitz提出的,它是许多解决投资组合优化问题的模型的基础。总体目标是在投资组合优化问题中实现最高的收益和最低的风险。在本文中,我们将提出一个最佳的投资组合的基础上,Markowitz均值-方差-偏度与权重约束模型的短期投资机会,在伊朗的股票市场。我们将使用基于神经网络的预测器来预测股票收益,并根据神经网络中的预测误差来衡量股票的风险。我们将对我们的投资组合优化模型进行一系列的实验,从伊朗的股票市场指数,包括银行,保险,投资,石油产品和化工指数的真实数据。最后,针对不同类型的投资者(风险厌恶者或风险承担者),利用遗传算法设计了低、中、高风险的8种投资组合,并进行了分析。
2019-02-17 q-fin.PM
Portfolio Optimization based on Neural Networks Sensitivities from Assets Dynamics respect Common Drivers
提出基于神经网络敏感性动态的投资组合优化框架,通过共同性原理选择驱动因子,利用敏感性矩阵层次聚类实现特质与系统性风险分散化,并在多个真实数据集上超越其他样本外方法。
2022-12-03 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
Optimal Portfolio Execution in a Regime-switching Market with Non-linear Impact Costs: Combining Dynamic Program and Neural Network
针对区制转换市场下带非线性冲击成本的投资组合最优执行问题,结合动态规划与神经网络提出四步数值框架,在10资产清盘实验中效果良好,运行时间随资产数和交易周期线性增长。
2023-06-15 q-fin.PM
Location and portfolio selection problems: A unified framework
给定一组资产和投资资本,经典的投资组合选择问题在于确定要投资于每种资产的资本金额,以建立最有利可图的投资组合。投资组合优化问题被自然地建模为平均风险双准则优化问题,其中投资组合的平均收益率必须最大化,而给定的风险度量必须最小化。为了有效地解决投资组合问题,文献中提出了几种数学规划模型和技术。最近一个比较有前途的研究方向是利用资产网络的聚类信息,以开发新的投资组合优化范例。在本文中,我们赋予的资产网络与资产收益率之间的相关系数的基础上的度量,并显示如何经典的网络选址问题可以用于聚类资产。特别是,通过添加一个新的标准的投资组合选择问题的基础上的一个经典的位置问题的目标函数,我们能够衡量集群的影响,选定的资产相对于非选定的。大多数论文处理聚类和投资组合选择模型解决这些问题在两个不同的步骤:聚类第一,然后选择。本文的创新性贡献是,我们提出了一个混合线性规划公式处理这个问题在一个统一的阶段。在真实金融数据集上的初步计算实验验证了该方法的有效性。
2019-07-15 q-fin.PM
A Comparision of Three Network Portfolio Selection Methods -- Evidence from the Dow Jones
我们比较了三种网络投资组合选择方法:层次聚类树,最小生成树和邻居网,随机和行业组选择方法,从2001年到2013年的12年数据,从30个道琼斯工业平均指数股票非常小的私人投资者规模的投资组合。我们发现,这三个网络方法与随机选择的投资组合表现相当。
2015-12-07 q-fin.PM q-fin.ST
Stock Selection as a Problem in Phylogenetics -- Evidence from the ASX
我们报告了15组投资组合选择模拟的结果,这些模拟使用了2000年5月至2013年12月期间ASX 200指数中的股票。我们研究了五种投资组合选择方法,随机和工业集团内,和三个基于邻居网络系统发育网络。我们报告说,单独使用随机的,工业集团,或邻居网络系统发育网络很少产生统计学上显着的风险降低,虽然在四个这样做的五个案例中,使用系统发育网络选择的投资组合的风险最低。然而,我们报告说,当使用邻居网络系统发育网络结合行业组选择,投资组合的回报率差大幅降低。
2016-03-08 q-fin.PM
Optimal Portfolio Choice and Stock Centrality for Tail Risk Events
我们提出了一个新的风险矩阵来描述投资者的最优投资组合的尾部关注。矩阵的对角线包含投资组合中每个资产的风险价值,非对角线包含反映资产之间尾部连接的成对Delta-CoVaR度量。首先,我们推导出相关的二次风险函数有一个封闭形式的解决方案的条件。其次,我们研究了投资组合风险和特征向量中心性之间的关系。第三,我们表明,投资组合的风险不一定是增加相对于股票中心。第四,我们证明了在一定条件下,资产中心性增加了资产在投资组合中的最优权重分配。总体而言,我们的实证研究表明,一个网络拓扑,表现出低连接性优于高连接性的基础上的夏普比率测试。
2021-12-01 q-fin.PM
Introduction to Risk Parity and Budgeting
尽管在马科维茨和夏普的开创性工作之后的40年里,投资组合管理并没有发生太大的变化,但风险预算技术的发展标志着风险与资产管理之间关系深化的一个重要里程碑。2008年全球金融危机后,风险平价成为一种流行的金融投资模型。今天,养老基金和机构投资者正在使用这种方法来开发智能指数和重新定义长期投资政策。介绍风险平价和修正提供了一个最新的处理这种替代方法,以马科维茨优化。它建立对股票和商品的金融敞口,在管理债券组合时考虑信用风险,并设计长期投资政策。本书包含了风险平价和风险管理导论中的教程练习的解答。
2014-03-07 q-fin.PM
Spectral Portfolio Theory: From SGD Weight Matrices to Wealth Dynamics
本文提出谱投资组合理论,将神经网络权重矩阵与投资组合分配矩阵联系起来,揭示SGD的三个力与投资动态的关系,并通过谱性质统一不同财富动态模型。
2026-07-13 physics.soc-ph q-fin.PM
Neural Networks for Portfolio-Level Risk Management: Portfolio Compression, Static Hedging, Counterparty Credit Risk Exposures and Impact on Capital Requirement
本文提出一种可解释的神经网络框架,将大规模欧式期权投资组合压缩为更小且可自复制静态对冲的组合,并验证其在风险敞口、Greeks 和监管资本要求方面与目标组合高度一致且资本要求显著降低。
2024-02-27 q-fin.CP q-fin.PM q-fin.RM
Do Better Volatility Forecasts Lead to Better Portfolios? Evidence from Graph Neural Networks
University of Southern California(南加州大学)
本文研究图神经网络是否能提高实际波动率预测,并探讨这些预测是否能提升投资组合表现。通过2015-2025年间465只标普500股票的每周实际波动率数据,将异质自回归和长短期记忆基线模型与基于滚动相关性、行业和格兰杰因果图的图神经网络模型进行比较,包括和不包括宏观经济状态特征。实证发现,预测误差最小、横截面排名准确度最高、投资组合夏普比率最高的模型是三种不同的模型。预测准确性、排名质量与投资组合表现相关但不等同。只有当投资规则能利用其编码的横截面结构时,图波动率模型才具有价值。
2026-05-20 cs.LG q-fin.PM
Portfolio Transformer for Attention-Based Asset Allocation
传统的金融资产配置方法从收益预测开始,然后是确定最佳资产权重的优化阶段。在预测步骤中出现的任何错误都会降低资产权重的准确性,从而降低整个投资组合的盈利能力。这里介绍的投资组合Transformer(PT)网络,避免了预测资产回报的需要,而是直接优化了夏普比率,这是一种在实践中广泛使用的风险调整后的业绩指标。PT是一种新型的端到端投资组合优化框架,其灵感来自于自然语言处理中注意力机制的众多成功。凭借其完整的编码器-解码器架构、专门的时间编码层和门控组件,PT具有很高的能力来学习投资组合资产之间的长期依赖关系,因此可以更快地适应不断变化的市场条件,例如COVID-19疫情。为了证明其鲁棒性,PT与其他算法进行了比较,包括当前基于LSTM的最新技术,在三个不同的数据集上,结果表明它提供了最佳的风险调整性能。
2022-06-07 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
End-to-End Risk Budgeting Portfolio Optimization with Neural Networks
投资组合优化一直是金融领域的一个核心问题,通常通过两个步骤来解决:校准参数,然后求解优化问题。然而,两步程序有时会遇到“误差最大化”的问题,在参数估计的不准确转化为不明智的分配决策。在本文中,我们将预测和优化任务结合在一个前馈神经网络中,并实现了一种端到端的方法,在这种方法中,我们直接从输入特征中学习投资组合分配。包括两个端到端的投资组合结构:无模型网络和基于模型的网络。无模型方法被视为黑箱,而在基于模型的方法中,我们学习资产的最佳风险贡献,并使用嵌入在神经网络中的隐式优化层解决分配问题。当最大化夏普比率用作训练目标函数时,基于模型的端到端框架在样本外(2017-2021年)测试中提供了稳健的性能,当名义风险平价收益率为0.79,等权重固定组合收益率为0.83时,夏普比率为1.16。注意到基于风险的投资组合可能对标的资产宇宙敏感,我们开发了一种嵌入在随机门神经网络中的资产选择机制,以防止投资组合受到低波动性低回报资产的伤害。带过滤器的门控端到端表现优于带朴素过滤机制的名义风险平价基准,将样本外期(2017-2021年)的夏普比率在市场数据中提升至1.24。
2021-07-09 q-fin.CP q-fin.PM
Signed network models for portfolio optimization
Fujitsu Research of America, Inc.(富士通美国研究院)
本研究提出基于符号网络的投资组合选择方法,利用负边降低风险,实证表明其表现与经典模型相当。
2025-10-06 math.CO q-fin.PM
Residual Switching Network for Portfolio Optimization
本文研究了美国股票市场投资组合优化的深度学习方法。我们提出了一种新的残差切换网络,可以自动感知市场机制的变化,并相应地在动量和反转预测之间切换。残差切换网络架构结合了两个独立的残差网络(ResNets),即学习股票市场条件的切换模块和学习动量和反转预测器的主模块。我们证明,过拟合噪声金融数据可以控制堆叠的剩余块,并进一步纳入注意力机制,可以提高强大的预测性能。在2008年至2017年上半年期间,剩余切换网络(Switching-ResNet)策略验证了出色的样本外性能,平均年度夏普比率为2.22,而基于ANN的策略的平均年度夏普比率为0.81,线性模型为0.69。
2019-10-16 q-fin.PM q-fin.ST
Mitigating Extremal Risks: A Network-Based Portfolio Strategy
本文提出一种基于网络的投资组合策略,利用极值理论评估股票间极端依赖并构建阈值网络,通过最大独立集及行业/社区划分来缓解极端风险,并以VaR和ES验证其优于市场组合。
2024-09-18 math.ST q-fin.PM stat.TH
Topological Portfolio Selection and Optimization
提出统计鲁棒信息过滤网络(SR-IFN)以消除经验协方差估计中的噪声,通过孤立相关性较低的资产并基于网络中心性反比分配权重,构建了表现更优的分散化投资组合。
2023-10-23 physics.app-ph q-fin.PM
Grouping of Contracts in Insurance using Neural Networks
尽管分组在实践中非常重要,但对相应主题的研究却很少。目前的工作提出了一个完整的框架分组和一种新的方法来优化模型点。模型点被用来取代集群的合同在保险投资组合,从而产生一个较小的,计算负担较轻的投资组合。该分组投资组合受到控制,以具有与原始投资组合相似的特征。我们提供了定期寿险和固定缴款计划的数值结果,这表明我们的方法相比,K-均值聚类,一个共同的基线算法分组的优越性。最后,我们证明了所提出的概念可以同时优化整个投资组合的固定数量的模型点。这消除了对投资组合的任何预聚类的需要,例如通过K均值聚类,因此将我们的方法作为一种全新的独立方法。
2019-12-20 q-fin.PM q-fin.RM
Asset allocation: new evidence through network approaches
本文的主要贡献是采用金融市场网络作为一个有用的工具,以改善投资组合的选择过程中,节点表示证券和边缘捕捉系统的依赖结构。提出了三种不同的方法,以提取资产之间的依赖结构在网络环境中。从这个修改后的结构开始,我们制定,然后我们解决的资产配置问题。我们发现,通过基于网络的方法获得的投资组合主要是由外围资产,这是与其他连接不良。在大多数情况下,这些投资组合的特点是,相对于传统的全球最小方差(GMV)投资组合,业绩和风险之间的权衡更高。此外,这种方法的好处是直接在网络的图形布局上对所选投资组合进行图形可视化,这有助于提高我们对最佳策略的理解。
2018-10-20 q-fin.PM q-fin.RM
A network-based strategy of price correlations for optimal cryptocurrency portfolios
本研究利用网络方法识别高度不相关的加密货币,结合马科维茨投资组合理论构建多元化投资组合,在合理风险下实现高回报,优于基准且发现流行币种通常不在最优组合内。
2023-04-05 physics.pop-ph physics.soc-ph q-fin.PM
Optimising cryptocurrency portfolios through stable clustering of price correlation networks
Ghent University(根特大学);The University of Tokyo(东京大学)
本文结合网络分析、价格预测和投资组合理论,通过稳定聚类识别高相关加密货币组,提升投资组合的风险回报比。
2026-04-29 physics.pop-ph physics.soc-ph q-fin.PM
Application of Deep Q-Network in Portfolio Management
Xi’an Jiaotong-Liverpool University(西交利物浦大学)
机器学习算法和神经网络被广泛应用于股票市场预测、人脸识别和人口分析等许多不同的领域。本文将介绍一种基于经典深度强化学习算法Deep Q-Network的策略,用于股票市场的投资组合管理。它是一种通过Q学习优化的深度神经网络。为了使DQN适应金融市场,我们首先将不同资产组合的权重定义为行动空间离散化,使组合管理成为Deep Q-Network可以解决的问题。其次,我们将卷积神经网络和决斗Q-网相结合,以提高算法的识别能力。在实验中,我们选择了五个低相关性的美国股票来测试模型。结果表明,基于DQN的策略优于其他十种传统策略。DQN算法的利润比其他策略的利润多30%。此外,与最大提取相关的夏普比率表明,使用DQN制定的政策的风险最低。
2020-03-13 cs.LG q-fin.PM stat.ML
Sports Betting: an application of neural networks and modern portfolio theory to the English Premier League
Instituto Tecnológico Autónomo de México(墨西哥自治技术学院);Centro de Enseñanza Técnica y Superior(高等技术教育中心)
本文结合期望效用理论、深度学习和凯利准则优化英超博彩策略,利用神经网络与投资组合优化,在20/21赛季后半段实现135.8%利润,并评估不同策略的性能与风险管理。
2023-07-11 cs.LG q-fin.PM
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
D-TIPO: Deep time-inconsistent portfolio optimization with stocks and options
提出基于神经网络的机器学习算法D-TIPO,用于时间不一致投资组合优化,通过加入期权并利用额外网络确定期权配置与行权价,在不完备市场下提升组合表现并稳定股票配置。
2023-09-05 q-fin.CP q-fin.PM
Machine Learning and Factor-Based Portfolio Optimization
我们研究机器学习和基于因素的投资组合优化。我们发现,基于自编码器神经网络的因素表现出较弱的关系,常用的特征排序的投资组合比流行的降维技术。机器学习方法还导致协方差和投资组合权重结构偏离更简单的估计。最小方差投资组合使用潜在的因素,从自动编码器和稀疏的方法在风险最小化方面优于简单的基准。在高波动期间或考虑到尾部风险时,对风险调整收益率敏感度较高的投资者会放大这些影响。
2021-07-29 econ.EM q-fin.PM
Deep Declarative Risk Budgeting Portfolios
本文提出一种专为风险预算投资组合设计的稳健端到端深度学习框架,通过降低对神经网络初始化的敏感性来提升性能一致性,且在不牺牲表现的情况下始终优于风险平价基准。
2025-04-28 q-fin.CP q-fin.PM
Model-Free Market Risk Hedging Using Crowding Networks
Fidelity Investments(富达投资)
本研究通过基金持仓网络分析计算股票拥挤度得分,构建无模型、无数值优化的零成本多空组合,可对冲含尾部风险在内的投资组合风险,成本仅为组合再平衡成本。
2023-06-13 cs.LG q-fin.GN q-fin.PM
Decision-informed Neural Networks with Large Language Model Integration for Portfolio Optimization
University of Oxford(牛津大学);Ulsan National Institute of Science and Technology(蔚山国家科学技术研究院)
本文通过将大型语言模型与决策聚焦学习结合,利用注意力机制处理多维变量并直接整合至投资组合优化层,解决了预测与决策脱节问题,显著提升了投资组合管理的稳健性。
2025-02-02 cs.AI q-fin.CP q-fin.PM
WaveCorr: Correlation-savvy Deep Reinforcement Learning for Portfolio Management
GERAD & Department of Decision Sciences, HEC Montréal(蒙特利尔高等商学院决策科学系与GERAD联合机构);Telfer School of Management, University of Ottawa(渥太华大学特尔弗管理学院);Evovest(伊沃维斯特)
投资组合管理的问题代表了一类重要的和具有挑战性的动态决策问题,其中重新平衡的决策需要考虑许多因素,如投资者的偏好,交易环境和市场条件随着时间的推移。在本文中,我们提出了一种用于深度强化学习(DRL)的新的投资组合策略网络架构,该架构可以更有效地利用跨资产依赖信息,并实现比最先进架构更好的性能。特别是,我们引入了一个新的属性,被称为\textit{asset permutation invariance},利用多资产时间序列数据的投资组合政策网络,并设计了第一个投资组合政策网络,名为WaveCorr,保持这种不变性属性时,处理资产相关性信息。我们设计的核心是一个创新的置换不变相关处理层。使用加拿大(TSX)和美国股票市场(S&P 500)的数据进行了一系列广泛的实验,WaveCorr始终优于其他架构,在平均年回报率方面有令人印象深刻的3%-25%的绝对改善,平均夏普比率的相对改善高达200%以上。我们还测量了在随机选择初始资产排序和权重的情况下,性能稳定性提高了5倍。我们的工业合作伙伴发现网络的稳定性特别有价值。
2021-09-28 cs.LG q-fin.PM
Joint Return and Risk Modeling with Deep Neural Networks for Portfolio Construction
Interdisciplinary Program in Artificial Intelligence(人工智能交叉学科项目)
本文提出基于深度神经网络的联合收益与风险建模框架,通过端到端学习动态预期收益和风险结构,提升投资组合绩效。实验证明该方法在风险调整后表现优于传统方法。
2026-03-09 cs.AI cs.LG q-fin.PM
Neural Functionally Generated Portfolios
该研究提出基于神经网络的神经功能生成投资组合(神经FGP)方法,学习FGP的生成函数以最大化投资回报,其性能优于经典FGP基准,兼具稳健性与市场动态学习能力。
2026-08-20 q-fin.MF q-fin.PM
A Three--Dimensional Efficient Surface for Portfolio Optimization
本文提出了一种三维投资组合优化框架,结合连接性风险与预期收益,通过三目标优化问题构建三维有效面,揭示网络风险对多样化结果的影响。
2026-01-09 q-fin.MF q-fin.PM q-fin.RM
Large-scale Time-Varying Portfolio Optimisation using Graph Attention Networks
University of Southampton(南安普顿大学);Southampton Business School(南安普顿商学院);Centre for Operational Research, Management Sciences and Information Systems (CORMSIS)(运筹学、管理科学与信息系统中心);The University of Western Ontario(西安大略大学)
本文首次在大规模投资组合优化中纳入违约风险公司,提出基于图注意力网络的方法,利用30年中盘股数据构建公司图并结合Sharpe比率损失函数,实验表明其长期表现优于多种基准策略。
2025-02-03 cs.AI cs.SI q-fin.PM
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 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
A Novel Experts Advice Aggregation Framework Using Deep Reinforcement Learning for Portfolio Management
Sharif University of Technology(谢里夫理工大学)
使用深度强化学习解决投资组合管理问题在金融界引起了广泛的关注。我们提出了一种新方法,使用专家信号和历史价格数据来输入我们的强化学习框架。虽然专家信号已经在金融领域的以前的工作中使用过,但据我们所知,这是第一次将这种方法与深度RL结合起来用于解决金融投资组合管理问题。我们提出的框架由一个用于聚合信号的卷积网络、另一个用于历史价格数据的卷积网络和一个普通网络组成。我们使用邻近策略优化算法作为代理来处理奖励并在环境中采取行动。结果表明,平均而言,我们的框架可以获得最好的专家所获得的利润的90%。
2022-12-29 cs.LG q-fin.CP q-fin.PM
Improving Portfolio Optimization Results with Bandit Networks
Aeronautics Institute of Technology (ITA)(航空技术学院);Autonomous Computational Systems Lab - LABSCA(自主计算系统实验室 - LABSCA)
针对非平稳环境下传统多臂老虎机算法在投资组合优化中效果受限的问题,提出ADTS、CADTS算法及Bandit Networks架构,经真实金融数据实验验证,其性能优于经典方法,最优网络的样本外夏普比率高出20%。
2024-10-08 cs.AI q-fin.PM
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
A Fully Analog Pipeline for Portfolio Optimization
针对投资组合优化中协方差估计不准和数字计算能耗高的问题,提出一种基于平衡传播和连续Hopfield网络的全模拟流水线,以低能耗快速恢复最优投资组合。
2024-11-10 cond-mat.dis-nn cs.CE physics.optics
Hybrid LSTM and PPO Networks for Dynamic Portfolio Optimization
Universitas Pelita Harapan(Pelita Harapan大学)
本文提出一种结合LSTM预测与PPO强化学习的混合网络,用于动态投资组合优化,通过提升收益和市场适应性展现其在非平稳市场中的优势。
2025-11-22 cs.AI cs.CE cs.LG
Minimizing the Value-at-Risk of Loan Portfolio via Deep Neural Networks
Southwestern University of Finance and Economics(西南财经大学)
针对点对点借贷中的风险管理,提出DeNN和DSNN两种深度神经网络模型,预测贷款违约概率及时间,显著降低组合VaR,且低自由度模型DeNN在多数场景下更优。
2025-10-08 cs.AI cs.CE q-fin.CP
Dependency Network-Based Portfolio Design with Forecasting and VaR Constraints
本文提出融合VAR/FEVD依赖网络、MST选股、ARIMA与NNAR预测及VaR资金配置的投资组合框架,一年模拟显示其显著跑赢买入并持有基准。
2025-07-26 econ.EM q-fin.PM q-fin.ST
A Comparative Analysis of Portfolio Optimization Using Mean-Variance, Hierarchical Risk Parity, and Reinforcement Learning Approaches on the Indian Stock Market
Praxis Business School(普拉克西斯商学院)
本文比较了均值-方差、分层风险平价和深度Q学习强化学习三种方法在印度股票市场上的投资组合优化性能,以年化收益、风险和夏普比率为评价指标。
2023-05-27 cs.LG q-fin.PM
Autoencoding Conditional GAN for Portfolio Allocation Diversification
几十年来,马科维茨框架在投资组合分析中得到了广泛的应用,但它过于强调对市场不确定性的分析,而不是对趋势的预测。而生成对抗网络(GAN)和条件GAN(CGAN)已经被探索用于生成金融时间序列并提取有助于投资组合分析的特征。CGAN框架的局限性在于过于强调生成系列,而不是保留可以帮助生成器的功能。在本文中,我们介绍了一种基于深度生成模型的自动编码CGAN(ACGAN),它可以学习历史数据的内部趋势,同时对市场的不确定性和未来趋势进行建模。我们评估了来自美国和欧洲市场的几个真实世界的数据集的模型,并表明,拟议的ACGAN模型导致更好的投资组合分配,并产生一系列更接近真实的数据相比,现有的Markowitz和CGAN方法。
2022-06-17 cs.LG 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
A Scalable Reinforcement Learning-based System Using On-Chain Data for Cryptocurrency Portfolio Management
University of Tsukuba(筑波大学)
本文提出融合链上数据的强化学习系统CryptoRLPM,实现端到端加密货币投资组合管理,并通过可扩展架构和逐币种指标筛选,在多个收益指标上显著超越基线。
2023-07-04 cs.LG q-fin.PM
Systemic Risk Management via Maximum Independent Set in Extremal Dependence Networks
针对金融机构关联引发的极端风险传染问题,本文结合极值理论与阈值法构建极值依赖网络,运用最大独立集筛选低依赖机构以构建抗传染的稳健投资组合,并验证其在中美市场均优于市场组合。
2025-03-03 math.ST q-fin.PM stat.TH
Efficient Solution of Portfolio Optimization Problems via Dimension Reduction and Sparsification
针对大型投资组合优化中稠密协方差矩阵带来的效率瓶颈,提出基于机器学习预测和线性规划解的维度缩减及保持半正定的稀疏化方法,在维持风险收益的同时显著提升优化器性能。
2023-06-22 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