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
Optimizing Investment Strategies with Lazy Factor and Probability Weighting: A Price Portfolio Forecasting and Mean-Variance Model with Transaction Costs Approach
本研究提出结合惰性因子与概率加权的投资策略模型,通过价格组合预测模型(含EXPMA、ARIMA)和含交易成本的均值-方差模型优化收益风险平衡,实验验证了其适应性与泛化潜力。
2023-06-12 cs.CE q-fin.PM
A semi-parametric dynamic conditional correlation framework for risk forecasting
本文提出一个多变量半参数框架,通过DCC参数化显式建模资产收益依赖结构,采用两步法基于联合损失函数同时估计DCC参数与风险因子,有效提升了投资组合VaR和ES的联合风险预测能力。
2024-12-20 q-fin.PM q-fin.RM
Return Prediction for Mean-Variance Portfolio Selection: How Decision-Focused Learning Shapes Forecasting Models
UNIST(全南国立大学);KAIST(韩国科学技术院)
本文研究决策聚焦学习(DFL)如何调整收益预测模型以优化均值-方差投资组合,证明DFL通过逆协方差矩阵倾斜预测误差并产生系统性偏差,从而在预测误差更高的情况下仍实现更优组合表现。
2025-11-09 cs.AI q-fin.PM
Integrating Different Informations for Portfolio Selection
本文提出一种基于高斯混合模型贝叶斯学习的组合估计方法,将历史数据中的后顾性信息与市场组合隐含的前瞻性信息自适应结合,并通过模拟和全球实证验证其在不同程度效率资本市场中的灵活性与稳健性。
2023-05-29 q-fin.PM
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
Robust and Sparse Portfolio Selection: Quantitative Insights and Efficient Algorithms
本文提出结合椭球不确定性集与固定交易成本的鲁棒稀疏投资组合模型,开发半光滑牛顿近端差分凸算法并证明局部线性收敛,同时揭示风险厌恶系数与鲁棒性水平的一一对应关系。
2024-12-27 q-fin.PM
Designing Time-Series Models With Hypernetworks & Adversarial Portfolios
CERGE-EI(经济研究与研究生教育中心—经济学院);Charles University(查理大学)
本文提出利用 hypernetworks 设计参数化元学习模型解决时间序列预测问题,并结合 Adversarial Portfolios 策略调整投资组合权重,在 M6 竞赛中斩获总排名第 1。
2024-07-29 cs.LG q-fin.PM stat.ME
Neuroevolution Neural Architecture Search for Evolving RNNs in Stock Return Prediction and Portfolio Trading
Rochester Institute of Technology(罗切斯特理工学院)
本文提出用EXAMM算法演化RNN预测股票收益,并基于预测结果对道琼斯30只等权股票执行每日多空策略,在2022熊市和2023牛市中均跑赢道指和标普500。
2024-10-22 cs.AI cs.CE cs.LG
Expert Aggregation for Financial Forecasting
EDF lab(法国电力实验室);FiME Laboratory(FiME实验室);Université Gustave Eiffel(古斯塔夫·埃菲尔大学);Amundi Asset Management(东方汇理资产管理公司);Paris Dauphine PSL University(巴黎多芬-PSL大学);Université Libre de Bruxelles(布鲁塞尔自由大学)
本文提出伯恩斯坦在线聚合方法,将多个机器学习模型的个股收益预测整合为多空投资组合策略,在非平稳市场中实现更高夏普比率和更低风险。
2023-07-06 cs.LG econ.EM q-fin.PM
A Universal End-to-End Approach to Portfolio Optimization via Deep Learning
我们提出了一个通用的端到端的投资组合优化的框架,直接获得资产分布。所设计的框架避开了传统的预测步骤,避免了协方差矩阵的估计,解除了推广到大量仪器的瓶颈。我们的框架具有灵活性,优化各种目标函数,包括夏普比率,均值方差权衡等。此外,我们允许卖空和研究附加到目标函数的几个约束。特别地,我们考虑基数,单个工具的最大位置和杠杆。这些约束通过使用几个神经层被制定为目标函数,并且可以采用梯度上升进行优化。为了确保我们框架的鲁棒性,我们在两个数据集上测试了我们的方法。首先,我们看一个合成数据集,在那里我们证明了从我们的端到端方法获得的权重比经典的预测方法更好。其次,我们将我们的框架应用于现实生活中的数据集,其中包含数百种仪器的历史观测,测试期超过20年。
2021-11-17 q-fin.PM
Fine-Tuning Large Language Models for Stock Return Prediction Using Newsflow
Systematic Equities Team(系统股票团队);RAM Active Investments(RAM主动投资公司)
本文研究利用金融新闻流微调 encoder-only 与 decoder-only LLM 预测股票收益,比较 token 表示聚合方式,证明其组合构建信号优于传统情绪评分,且 Mistral 更稳健。
2024-08-05 cs.LG q-fin.CP q-fin.PM
Credit Portfolio Management in a Turning Rates Environment
我们使用巴克莱POINT全球风险模型的强大框架,详细说明了信贷部门/质量和国债曲线因素之间的相关性。与早期的研究一致,我们发现部门利差和利率变动之间存在很强的负相关性。然而,我们也观察到,利差和美国国债波动之间的相关性最近发生了逆转,这可能是由于美联储正在实施量化宽松政策。我们还发现,银行业的短期有效久期现在明显低于历史模式所显示的水平。我们的研究结果是相关的信贷投资组合经理考虑利率上升和陡峭的国债曲线对公司债券投资组合的影响。
2013-12-05 q-fin.PM
Risk-Aware Multi-Armed Bandit Problem with Application to Portfolio Selection
序列投资组合选择近年来在机器学习和量化金融领域引起了越来越多的关注。作为强化学习策略的数学框架,随机多臂强盗问题解决了不确定性下顺序决策的主要困难,即探索与开发的困境,因此提供了一个自然的连接到投资组合选择。在本文中,我们将风险意识纳入经典的多臂强盗设置,并介绍了一个算法来构建投资组合。通过基于金融市场拓扑结构的资产过滤,将最优多臂强盗策略与最小化一个一致性风险度量相结合,实现了风险与收益的平衡。
2017-09-13 q-fin.PM
Machine Learning Portfolio Allocation
当使用机器学习在市场指数和无风险资产之间进行投资组合分配时,我们发现了经济和统计上的显著收益。最优投资组合规则的时变预期收益率和波动率的实现与两个随机森林模型。一个模型用于预测超额收益率与支付收益率的符号概率。第二个是用来构建一个优化的波动率估计。机器学习的回报-风险定时提供了对效用、风险调整收益率和最大回撤的买入并持有的实质性改进。本文提出了一个新的理论基础和统一的框架,机器学习应用于回报率和波动率的时间。
2021-11-04 q-fin.GN q-fin.PM q-fin.PR
skfolio: Portfolio Optimization in Python
Ipazia SpA(Ipazia 股份公司);Orion Finance;SKFolio Labs(SKFolio 实验室)
skfolio是一个开源Python库,与scikit-learn集成,提供统一框架和先进工具,用于投资组合优化和风险管理,促进量化金融的可复现性。
2025-07-08 cs.LG q-fin.PM
Scaling Conditional Autoencoders for Portfolio Optimization via Uncertainty-Aware Factor Selection
本文提出通过不确定性感知因子选择扩展条件自编码器,提升投资组合优化的风险调整后绩效。
2025-11-21 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
Deep Reinforcement Learning for Investor-Specific Portfolio Optimization: A Volatility-Guided Asset Selection Approach
School of Mathematical and Statistical Sciences, Indian Institute of Technology Mandi(印度理工学院曼迪数学与统计科学学院);Department of Mathematics, Indian Institute of Technology Guwahati(印度理工学院古瓦哈提数学系)
本文提出一种波动率引导的深度强化学习投资组合优化框架,利用GARCH模型按投资者风险偏好预选资产,并通过DRL智能体学习最优投资策略,在道琼斯30指数上验证其优于基线策略的风险调整后收益。
2025-04-20 cs.AI math.OC q-fin.PM
Generative AI-enhanced Sector-based Investment Portfolio Construction
Ukrainian Catholic University(乌克兰天主教大学);SS&C Algorithmics;University of Toronto(多伦多大学);Hong Kong Polytechnic University(香港理工大学)
本文探讨了生成式AI在量化行业投资组合构建中的应用,发现其在稳定市场中表现优异,但在波动市场中表现欠佳,强调了混合AI-量化框架的潜力。
2025-12-31 cs.AI cs.CE q-fin.CP
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
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
Maximum drawdown, recovery, and momentum
本研究基于最大回撤及复苏构建选股规则,实证检验其在多股票市场的资产价格预测能力,发现月度最大回撤组合、周度复苏规则分别在动量、均值回归检测中表现更优,且风险特征与因子中性表现更稳健。
2021-09-06 q-fin.GN 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
Machine Learning Enhanced Multi-Factor Quantitative Trading: A Cross-Sectional Portfolio Optimization Approach with Bias Correction
USTC(中国科学技术大学)
本文提出一种横截面投资组合优化方法,通过校正上游污染问题,提升量化交易的夏普比率并降低信息系数偏差。
2026-05-09 cs.CE q-fin.PM
Risk Measures in Quantitative Finance
这篇论文是为两个研讨会提交和撰写的:一个是英国国家大学风险会议,另一个是风险管理行业研讨会。因此,目标受众是学术界和行业专业人士的横截面。当前持续的全球信贷紧缩突出了金融风险度量对公司和监管机构的重要性。尽管风险度量的核心重要性,风险管理,很少有文件存在审查他们或以下的演变,从其最早的开始,直到今天的风险措施。本文回顾了金融数学中最重要的投资组合风险度量,从Bernoulli(1738)到Markowitz的投资组合理论,再到目前比较受欢迎的风险度量,如CVaR(条件风险价值)。我们按时间顺序对风险指标进行了审查,并调查了不太常见的风险指标,例如Treynor比率。
2009-04-06 q-fin.GN q-fin.PM q-fin.RM
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
Bayesian learning for the Markowitz portfolio selection problem
在多维框架下研究了具有未知漂移向量的Markowitz投资组合选择问题。不确定的预期收益率的先验信念是由任意的概率法建模,并从过滤理论的贝叶斯方法是用来学习的后验分布的漂移给定的观察市场数据的资产。贝叶斯Markowitz问题,然后嵌入到一个辅助的标准控制问题,我们用动态规划方法的特点,并证明了一个光滑的解决方案,相关的半线性偏微分方程(PDE)的存在性和唯一性。在高斯先验分布的情况下,显式计算最优Markowitz投资组合策略。最后,我们衡量学习的定量影响,从观察到的数据更新的策略,相比非学习,在一个不确定的背景下,使用一个恒定的漂移,并分析信息w.r.t.值的敏感性。我们模型的各种相关参数。
2018-11-16 math.OC q-fin.CP q-fin.PM
Crisis Alpha: A High-Performance Trading Algorithm Tested in Market Downturns
本研究提出三种统计风险模型构建美股量化投资组合,在五次策略与四次含三次重大危机的时期内测试,发现模型持续超越市场超额回报,为资产管理提供有效工具。
2024-08-18 q-fin.CP q-fin.PM q-fin.RM
Online Portfolio Selection: A Survey
Nanyang Technological University(南洋理工大学)
在线投资组合选择是计算金融领域的一个基本问题,在金融学、统计学、人工智能、机器学习和数据挖掘等领域得到了广泛的研究。从在线机器学习的角度来看,我们首先制定在线投资组合选择作为一个顺序决策问题,然后调查各种国家的最先进的方法,分为几个主要类别,包括基准,“跟随赢家”的方法,“跟随输家”的方法,“模式匹配”为基础的方法,和“元学习算法”。除了问题公式和相关算法,我们还讨论了这些算法与资本增长理论的关系,以便更好地理解其基本交易思想的异同。本文旨在为学术界的机器学习和数据挖掘研究人员以及金融行业的量化投资组合经理提供及时而全面的调查,以帮助他们了解最新技术,并促进他们的研究和实际应用。我们还讨论了一些开放的问题,并评估了未来研究方向的一些新趋势。
2013-05-19 cs.AI cs.CE q-fin.CP