Tactical Asset Allocation with Macroeconomic Regime Detection
该研究提出结合改进k-means宏观经济状态识别的战术资产配置模型,利用FRED-MD数据集实现状态分类预测与组合优化,性能优于传统基准,拓展了相关研究思路。
2025-03-21 q-fin.PM
A Strategic Investment Framework for Biotechnology Markets via Dynamic Asset Allocation and Class Diversification
在本文中,我们提出了一个创新的投资框架,结合资产配置和类别多元化,专门面向生物技术产业。随着对多个生物技术市场的兴趣和资本化的不断增长,投资者需要一种更动态的方法来管理他们在个人投资组合中的资产,以获得最佳的回报效率。通过选择一家代表已确定行业趋势的公司,分析与建议方法相关的财务指标,并评估财务健康状况,我们开发了一种适应性强的投资方法。我们还对工业可行性进行了分析,并研究了所选策略的影响,从而能够优化我们的框架,以便在专业生物技术市场中实现多功能应用。
2017-10-09 q-fin.PM
Missing Information and Asset Allocation
当可用的统计信息不完善时,遵循标准优化程序来构建最优投资组合是危险的,这通常会导致权重高度集中在极少数资产上。我们提出了一种新的方法,基于广义熵,以确保最低程度的多样化。
1997-07-04 cond-mat.stat-mech q-fin.PM
Deep Learning Statistical Arbitrage
Stanford University(斯坦福大学)
统计套利利用类似资产之间的时间价格差异。我们开发了一个统一的概念框架,统计套利和一个新的数据驱动的解决方案。首先,我们从条件潜在资产定价因素出发,构造了相似资产的套利组合作为剩余组合。其次,我们使用强大的机器学习时间序列解决方案(卷积Transformer)提取它们的时间序列信号。最后,我们使用这些信号来形成最优交易策略,在约束条件下最大化风险调整后的收益。我们对每日美国股票的综合实证研究表明,仲裁员执行一价定律的报酬很高。我们的套利策略获得了持续的高样本外平均回报率和夏普比率,并大大优于所有基准方法。
2022-10-07 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
Critical Decisions for Asset Allocation via Penalized Quantile Regression
我们扩展了惩罚分位数回归模型的投资策略分析,引入了其他方法来改善\textendash艺术资产配置规则的状态\textendash。首先,我们使用后\textendash惩罚程序来处理过度收缩和集中问题。其次,我们调查是否以及在何种程度上的性能变化时,从凸到非凸的惩罚函数。第三,我们比较不同的方法来选择最佳的调谐参数,控制的惩罚的强度。对真实\textendash世界数据的实证分析表明,这些替代方法优于简单的LASSO。当关注与分位数回归方法严格相关的极端风险时,这一证据变得更强。
2019-08-13 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
Outperformance and Tracking: Dynamic Asset Allocation for Active and Passive Portfolio Management
投资组合管理问题通常分为两种类型:主动和被动,其目标分别是超越和跟踪预先选择的基准。在这里,我们制定和解决一个动态资产配置问题,结合这两个目标在一个统一的框架。我们希望最大限度地提高投资者的投资组合的财富和业绩基准之间的预期增长率差异,同时惩罚风险加权偏离给定的跟踪投资组合。使用随机控制技术,我们提供了明确的封闭形式的最优配置的表达式,我们展示了如何最优策略可以与增长最优投资组合。可接受的基准包括功能生成投资组合(FGP),其中包括市场投资组合,因为唯一的要求是它们只取决于当时的资产价值。最后,给出了一些数值实验来说明最优分配的风险-收益曲线。
2018-07-30 q-fin.PM
Combining Reinforcement Learning and Inverse Reinforcement Learning for Asset Allocation Recommendations
AI Center of Excellence for Asset Management, Fidelity Investments(富达投资资产管理人工智能卓越中心)
我们提出了一种简单实用的方法,将人类和人工智能结合起来,学习基金经理的最佳投资实践,并提供改进建议。我们的方法是基于逆强化学习(IRL)和RL的组合。首先,IRL组件根据基金经理的交易历史来学习他们的意图,并恢复他们的隐含奖励函数。在第二步,直接RL算法使用该奖励函数来优化资产分配决策。我们表明,我们的方法是能够提高个人基金经理的业绩。
2022-01-06 cs.AI cs.LG q-fin.CP
Optimal asset allocation for a DC plan with partial information under inflation and mortality risks
本文研究了具有固定缴款的养老金计划在积累阶段的资产配置随机问题。考虑一个随机利率的金融市场,由一个无风险资产、一个实际零息债券价格、通货膨胀挂钩债券和一个风险资产组成.计划成员的目标是最大化从终端财富中获得的预期电力效用。为了保障在退休前去世的成员的权利,我们引入一项条款,容许提取其保费,而差额则分配予尚存的成员。除了死亡风险外,基金经理还考虑了工资和通货膨胀风险。然后,我们利用部分信息下的充分极大值原理方法,得到了资产配置问题的封闭解。最后,我们给出了数值结果.
2018-08-22 math.OC q-fin.PM
Risk Limited Asset Allocation with a Budget Threshold Utility Function and Leptokurtotic Distributions of Returns
本文提出了一种基于预算阈值效用函数和 leptokurtotic 收益分布的风险受限资产配置方法,通过简单结构的函数形式实现了单时间 horizon 资产配置的分析解。
2025-12-16 q-fin.PM q-fin.RM
Deep Reinforcement Learning for Asset Allocation: Reward Clipping
SK Inc.(SK C&C)(SK集团(SK C&C))
近年来,有许多尝试将强化学习应用于资产配置,以获得更稳定的利润。在本文中,我们比较了几种强化学习算法-仅演员,演员评论家和PPO模型之间的性能。在此基础上,分析了各种模型的特点,并介绍了改进的算法,即奖励裁剪模型。在金融领域中,特别是在投资组合优化方面,报酬裁剪模型似乎优于其他现有的模型,无论是在牛市还是熊市中,它都具有优势。最后,我们将这些模型与传统投资策略在市场下降和上升期间的表现进行比较。
2023-01-02 cs.AI cs.LG q-fin.CP
Asset Allocation: From Markowitz to Deep Reinforcement Learning
Open University of Catalonia(加泰罗尼亚开放大学)
资产配置是一种投资策略,旨在根据一定的目标、风险承受能力和投资期限,通过不断地重新分配投资组合的资产,来平衡风险和回报。不幸的是,没有简单的公式可以为每个人找到正确的分配。因此,投资者可能会使用不同的资产配置策略来尝试实现其财务目标。在这项工作中,我们进行了广泛的基准研究,以确定一些优化技术的有效性和可靠性。特别是,我们专注于基于现代投资组合理论的传统方法,以及基于深度强化学习的机器学习方法。我们评估了模型在不同市场趋势下的表现,即,看涨和看跌的市场。为了可重复性,我们在此存储库中提供了代码实现代码。
2022-07-14 cs.AI cs.LG q-fin.PM
S&P500 Forecasting and Trading using Convolution Analysis of Major Asset Classes
通过监测2000年1月3日至2014年12月15日期间使用彭博API在全球交易的最具流动性的期货合约的时间演变,我们能够预测标准普尔500指数击败买入并持有交易策略。我们的方法是基于卷积计算的42个最具流动性的期货合约的四个基本的金融资产类别,即股票,债券,商品和外汇。这些关键资产是根据国际货币基金组织发布的全球GDP排名(IMF,2015年选定国家组和主题报告)选择的。主要假设是,资产类别之间的转换是平稳的,并由缓慢的动态形成,因为交易决策是由与投资组合配置相关的几个约束条件以及国家金融当局施加的规则限制形成的。这一假设是基于最近的研究,该研究基于致力于积极资产管理的市场参与者的多样化目标所产生的附加值,他们试图有效和顺利地驾驭市场的波动。
2016-12-13 q-fin.PM q-fin.ST
Optimal allocation to deferred income annuities
在本文中,我们采用了生命周期模型,使用消费和遗赠的效用,以确定一个最佳的递延收入年金(DIA)购买政策。我们制定了一个数学框架,以形式化的优化过程。阐述了优化的方法和实现过程,并对优化结果进行了分析。我们扩展我们的模型来控制资产配置,并显示如何购买政策的变化时,允许改变资产配置。我们的结果表明(i.)可退还的DIA的吸引力低于不可退还的DIA,因为损失了死亡率积分;(ii)在固定资产配置策略下,DIA配置区域较大,因为它成为固定收益配置的代理;以及(iii.)当投资者被允许改变资产配置时,DIA配置变得不那么吸引人。然而,对于那些认为自己的寿命高于人口的人,可以进行更高的DIA分配。
2021-11-01 q-fin.PM
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
An Analytic Solution for Asset Allocation with a Multivariate Laplace Distribution
本文将椭圆对称分布的多元资产配置理论专门应用于多元拉普拉斯分布,推导出解析解,并指出其与先前文章猜想的主要差异源于问题维度项的引入和方差的重新缩放。
2024-11-13 math.PR q-fin.PM q-fin.RM
Model-Free Reinforcement Learning for Asset Allocation
J.P. Morgan and Chase Co.(摩根大通公司)
资产配置(或投资组合管理)是确定如何将有限预算的资金最佳分配到一系列金融工具/资产(如股票)中的任务。这项研究调查了强化学习(RL)应用于投资组合管理时使用无模型深度RL代理的性能。我们对几个RL代理进行了真实世界股票价格的培训,以学习如何执行资产配置。我们将这些RL代理的性能与一些基线代理进行了比较。我们还比较了RL代理之间的相互关系,以了解哪类代理的性能更好。根据我们的分析,RL代理可以执行投资组合管理的任务,因为它们的性能明显优于两个基线代理(随机分配和均匀分配)。四种RL试剂(A2 C、SAC、PPO和TRPO)的总体表现优于最佳基线MPT。这显示了RL代理发现更有利可图的交易策略的能力。此外,基于价值和基于策略的RL代理之间没有显着的性能差异。演员-评论家型代理人的表现优于其他类型的代理人。此外,在政策代理人表现得更好,因为他们更好地在政策评估和样本效率是不是一个显着的问题,在投资组合管理。这项研究表明,RL代理可以大大改善资产配置,因为他们超越强基线。根据我们的分析,在政策上,演员-评论家RL代理表现出最大的希望。
2022-09-21 cs.LG q-fin.PM
Optimal Asset Allocation with Asymptotic Criteria
假设(1)资产收益服从一个具有时变条件期望的随机多因素过程;(2)投资是各因素的线性函数。本文计算了投资者财富的对数与因子的联合矩的渐近值。这些公式可以快速计算各种投资标准。数值例子表明,最优投资组合规则的投资准则的规格是敏感的。
2003-04-11 math.OC q-fin.PM
Robust Asset Allocation for Robo-Advisors
在过去的几年里,金融咨询行业受到数字化和机器人顾问出现的影响。这一现象影响了主要的金融服务,包括财富管理、员工储蓄计划、资产管理公司等。由于机器人咨询模式尚处于早期阶段,我们估计,到2020年,机器人咨询将帮助管理约1万亿美元的资产。这一趋势不会随着后代而停止,他们将生活在一个技术驱动和基于社交媒体的世界中。在投资行业,机器人顾问面临着不同的挑战:客户分析,定制,资产池,责任约束等。这包括自动化交易和再平衡,以及自动化投资组合分配。最后一个问题无疑是未来五年机器人咨询面临的最重要挑战。今天,在许多机器人顾问中,资产配置是以人为基础的,而不是以计算机为基础的。原因是投资组合优化是一项非常困难的任务,并且可能导致优化的数学解决方案从财务角度来看不是最优的(Michaud,1989)。因此,机器人顾问面临的最大挑战是能够在没有人为干预的情况下优化和重新平衡数百个最佳投资组合。在本文中,我们表明,均值方差优化方法主要是由套利因素有关的对冲投资组合的概念。这就是为什么正则化和稀疏性对于定义稳健的资产配置是必要的。然而,这个数学框架更加复杂,需要理解规范惩罚如何影响投资组合优化。从数值的角度来看,它还需要基于ADMM方法的非传统算法的实现。
2019-02-20 q-fin.PM
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
Systematic Asset Allocation using Flexible Views for South African Markets
我们实现了一个系统的资产配置模型,使用历史模拟与灵活的概率(HS-FP)的框架,由Meucci。HS-FP框架是一种灵活的非参数估计方法,认为未来资产类别的行为取决于时间和市场环境,并得出与此观点一致的前瞻性分布,同时尽可能接近先验分布。该框架通过对资产类别回报的历史观测值应用不相等的时间和状态条件概率来得出前瞻性分布。这是通过使用相对熵来找到对先验分布失真最小的估计来实现的。在这里,我们使用南非金融市场数据的HS-FP框架进行资产配置;通过估计预期收益率,相关性和波动率,通过测量的市场周期更好地代表。我们展示了一系列有助于了解市场环境的状态变量。具体来说,我们将HS-FP模型特定配置的样本外性能与经典的均值方差优化(MVO)和等权(EW)基准模型进行了比较。该框架显示了较低的回测过拟合概率,HS-FP模型的样本外净收益率和夏普比率点估计优于基准模型。然而,当训练窗口变化时,结果是不一致的,夏普比率被认为是膨胀的,并且该方法在总的和净的基础上没有表现出统计学上显著的优于性能。
2019-10-12 q-fin.PM
Asset Allocation Strategies Based on Penalized Quantile Regression
众所周知,分位数回归模型最小化投资组合的极端风险,当注意力放在估计响应变量的左分位数。我们表明,通过考虑因变量的整个条件分布,可以优化不同的风险和绩效指标。特别是,我们引入了一个风险调整后的盈利能力的措施,在评估金融投资组合的悲观的角度来看,有用的,因为回报的贡献是净的最有利的结果。此外,当我们考虑大型投资组合时,我们还通过在资产权重上引入l1范数惩罚来处理维度问题。
2015-07-01 q-fin.PM q-fin.RM
Asset Allocation under the Basel Accord Risk Measures
金融机构目前必须满足比最近金融危机前更严格的资本要求;特别是,《巴塞尔2.5协议》规定的大型银行交易账户资本要求比《巴塞尔二号协议》规定的要求高出一倍多。资本要求的大幅提高使得银行在进行资产配置决策时有必要考虑资本要求的约束。在本文中,我们提出了一个新的资产配置模型,该模型结合了目前生效的巴塞尔2.5协议和最近提出并正在讨论的巴塞尔III协议的监管资本要求。提出了一种基于交替方向增广拉格朗日方法求解该模型的统一算法,并在一定条件下证明了该算法生成的序列的极限点的一阶最优性.该算法简单,易于实现,算法的每一步由求解凸二次规划或一维子问题。模拟和真实市场数据的数值实验表明,该算法相比,优于其他现有的方法,特别是在模型是非凸的情况下。
2013-08-06 q-fin.PM
Near-Optimal Dynamic Asset Allocation in Financial Markets with Trading Constraints
我们开发了一个双控制方法,在不完整的环境中,出现的交易约束的存在近似的投资策略。凸对偶使得近似技术能够生成最优值函数的上下界。该机制依赖于封闭形式的表达式有关的投资组合的组成,从中我们能够得到接近最优的资产配置明确。在一个真实的金融市场中,我们说明了我们的近似方法的准确性的双重CRRA效用函数的特点的偏好,有限的地平线投资者。可以忽略的二元差距和微不足道的年度福利损失证实了该技术的准确性。
2019-10-28 q-fin.MF q-fin.PM q-fin.RM
Signature-Informed Transformer for Asset Allocation
Pusan National University, Busan, Republic of Korea(釜山国立大学);University of Oxford, Oxford, United Kingdom(牛津大学)
本文提出基于签名的变压器模型,通过整合特征提取和决策制定,优化资产配置,提升稳健性并优于传统方法。
2026-01-22 cs.AI cs.LG q-fin.PM
Asset Allocation via Machine Learning and Applications to Equity Portfolio Management
在本文中,我们记录了一种新的基于机器学习的自下而上的静态和动态投资组合优化的方法,潜在的,大量的资产。该方法适用于一般的约束优化问题,克服了目前优化方案中出现的许多主要困难。以均值方差优化为例,该方法不再需要计算协方差矩阵及其逆矩阵,因而不受协方差矩阵估计误差的影响。此外,不需要显式调用优化例程。应用于美国和中国股票市场的股票投资组合管理进行了研究,我们的文件显着的超额收益率选择的基准。
2020-11-22 q-fin.MF 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
Quantum Annealing Algorithm for Expected Shortfall based Dynamic Asset Allocation
2008年的抵押贷款危机是一个极端事件的例子。极值理论试图估计这种尾部风险。现代金融从业者更喜欢基于预期损失的风险度量(捕捉尾部风险),而不是波动率甚至风险价值等传统方法。针对具有预期损失约束的动态资产配置问题,提出了一种QUBO形式的量子退火算法。它的动机是需要完善目前的量子算法的Markowitz类型的问题,这是学术上有趣的,但没有实用的从业者。该算法是动态的,风险目标从市场波动中自然涌现。此外,它避免了复杂的统计,如广义帕累托分布。它将问题转化为适合于D-Wave等量子退火器实现的量子比特形式。这样的QUBO算法预计使用量子退火系统比使用经典计算机的任何经典算法更快地解决(但尚未在规模上证明)。
2020-09-15 q-fin.PM q-fin.RM
A Modified CTGAN-Plus-Features Based Method for Optimal Asset Allocation
本研究提出一种结合改进CTGAN合成数据生成与CVaR约束的投资组合优化方法,以美债收益率曲线为上下文信息生成收益情景,经14.5年多资产实例验证,其样本外表现优于等权重策略及纯历史数据优化方法。
2024-05-15 cs.CE q-fin.PM
Strategic Asset Allocation with Illiquid Alternatives
我们解决的问题,战略资产配置(SAA)的投资组合,包括非流动性的替代资产类别。非流动性资产类别的投资组合构建的主要挑战是,我们不能像在流动性资产类别中那样直接控制我们的头寸。相反,我们只能做出承诺;随着资本要求的到来,头寸会随着时间的推移而增加,随着分配的发生,头寸会随着时间的推移而减少,这两种情况都不是投资者直接控制的。我们的承诺对头寸的影响可能会延迟,通常为几年,并且也是未知或随机的。另一个挑战是要求我们能够以非常高的概率用我们的流动资产满足资本要求。我们将非流动性动态系统描述为随机线性系,并提出了一种基于凸优化的模型预测控制(MPC)策略,用于分配流动性资产和在每个时期做出新的非流动性承诺。尽管存在时间延迟和不确定性的挑战,我们表明,这一政策的表现令人惊讶地接近一个虚构的设置,我们假装非流动性资产类别是完全流动的,我们可以任意和立即调整我们的立场。在本文中,我们关注的增长问题,没有外部负债或收入,但该方法很容易扩展到处理这种情况。
2022-07-15 cs.SY eess.SY math.OC
Asset Allocation and Risk Assessment with Gross Exposure Constraints for Vast Portfolios
马科维茨(Markowitz,1952,1959)在均值-方差分析方面做出了开创性的工作。在他的框架下,理论上的最优配置向量可能与大型投资组合的估计向量有很大不同,这是因为估计巨大的协方差矩阵和收益向量具有内在的困难。由于估计误差的累积,这可能导致基于经验数据选择的投资组合的不利表现。我们解决这个问题,通过引入总暴露约束的均值-方差投资组合选择。我们证明了在总暴露约束下,理论最优投资组合与基于估计协方差矩阵的经验选择的投资组合具有相似的性能,并且不存在来自估计大量协方差矩阵的误差累积效应。这为Jagannathan和Ma(2003)的经验结果提供了理论依据。我们还表明,没有卖空的投资组合是不够多样化,可以通过允许一些空头头寸。随着卖空限制的放松,在跟踪投资组合或选择资产时,选择的资产数量从少量到股票总数不等。这实现了最优稀疏投资组合选择,它具有接近的性能,理论上的最优。例如,在1000只股票中,我们能够识别出不同规模的投资组合的所有最优子集,它们的相关配置向量,以及它们的估计风险。我们的新方法的效用说明了100法玛法国工业投资组合和罗素3000随机选择的400只股票的模拟和实证研究。
2008-12-14 q-fin.PM
Dynamic allocation: extremes, tail dependence, and regime Shifts
本文构建GARCH-DCC-Copula模型与动态机制转换模型以预测全球市场下行风险和实时风险机制,并提升全球战术资产配置及量化股票因子投资表现。
2025-06-14 econ.EM q-fin.PM
A novel dynamic asset allocation system using Feature Saliency Hidden Markov models for smart beta investing
AllianceBernstein(联博集团);University of Manchester(曼彻斯特大学);University of California, Berkeley(加州大学伯克利分校)
2008年的金融危机引发了人们对更透明、基于规则的投资组合构建策略的兴趣,智能贝塔策略成为机构投资者的一种趋势。虽然它们在长期内表现良好,但这些策略往往会遭受严重的短期下跌(峰谷下跌),并在各个周期中表现波动。为了解决周期性和表现不佳的问题,我们使用隐马尔可夫模型(Hidden Markov Models,简称HRM)构建了一个动态资产配置系统。我们测试了我们的系统在多种组合的智能贝塔策略和由此产生的投资组合显示出改善的风险调整后的回报,特别是在更多的回报导向的投资组合(高达50 $\%$超过市场每年)。此外,我们提出了一种新的智能贝塔分配系统的基础上的特征显着性HMM(FSHMM)算法,同时进行特征选择与训练的HMM,以提高政权识别。我们使用MSCI指数评估我们的系统交易系统与真实资产;此外,结果(每年超过市场高达60个$\%$)显示,相对于使用全功能HALTH构建的投资组合,模型性能有所改善。
2019-02-28 cs.CE cs.LG q-fin.PM
Multicriteria asset allocation in practice
在本文中,我们考虑了保险公司的战略资产配置。这个任务可以看作是投资组合优化的一个特例。在20世纪50年代,Markowitz提出将投资组合优化问题表述为一个以风险和收益为目标的双准则优化问题。然而,保险领域的最新发展要求考虑四个或更多目标,其中包括源于2009年发布的欧洲联盟偿付能力II指令的所谓偿付能力比率。此外,与当前投资组合的距离也起着重要作用。虽然三个目标的投资组合优化的文献已经很少,四个和更多的目标的应用程序还没有解决到目前为止,基于标量化的多目标方法。然而,最近在精确多目标方法领域的算法改进允许在几次迭代内合并许多目标和生成良好分布的表示。我们描述了这样一个算法的实施与四个目标函数的战略资产配置,并证明其实用性的从业者。我们的方法是在德国保险公司的操作使用。我们的合作伙伴报告说,由于新目标的适当整合,该软件在短时间内提出了比以前质量更好的投资组合,因此他们的决策过程有了重大改进。
2021-03-19 cs.CE q-fin.PM
Asset allocation using a Markov process of clustered efficient frontier coefficients states
University of Virginia(弗吉尼亚大学);Jocassee Quantitative(乔卡西量化)
本文提出利用聚类有效前沿系数的马尔可夫过程进行资产配置,通过分解有效前沿的函数形式,减少收益向量和协方差矩阵的维度,通过聚类和马尔可夫过程优化投资组合,实验证明其优于基准投资组合。
2026-04-05 q-fin.PM stat.AP
Deep Reinforcement Learning for Optimal Asset Allocation Using DDPG with TiDE
School of Computer Science, University of Bristol, Bristol, UK(布里斯托大学计算机科学学院);School of Engineering Mathematics and Technology, University of Bristol, Bristol, UK(布里斯托大学工程数学与技术学院);School of Engineering Mathematics(工程数学学院)
本研究利用DDPG与TiDE的深度强化学习方法,实现了在风险资产与无风险资产之间更优的动态配置策略,提升了投资回报率与风险调整能力。
2025-08-12 cs.AI cs.LG q-fin.PM
A Geometric Approach To Asset Allocation With Investor Views
本文提出一种结合投资者观点的资产配置几何方法,利用广义Wasserstein重心更新资产漂移和协方差估计并输入均值-方差优化器,相比传统Black-Litterman模型,该方法在观点置信度设定上更灵活且对正确决策奖励更多。
2024-06-03 q-fin.GN q-fin.MF 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
Modeling asset allocation strategies and a new portfolio performance score
我们讨论并扩展了一个强大的几何框架来表示一组投资组合,它确定了资产配置的空间与点躺在一个凸多面体。基于这一观点,我们从几何和统计计算的角度来审视某些最先进的工具,以处理数字金融中的重要和困难问题。虽然我们的工具是相当普遍的,在本文中,我们专注于两个具体的问题。第一个问题涉及危机探测,这是一般公众、特别是决策者最关心的问题,因为危机对经济有重大影响。股票市场的某些特征导致了这种类型的异常检测:给定资产的收益率,我们通过Copula描述投资组合的收益率和波动率之间的关系,而不对投资者策略做出任何假设。我们研究了最近的一种方法,依靠Copulae构建一个适当的指标,使我们能够自动化的危机检测。根据真实数据,该指标检测了加密货币市场过去的所有崩溃,而从1990年到2008年的DJ 600-欧洲指数中,该指标正确识别了4次危机,并发布了一个误报,我们对此提供了解释。我们的第二个贡献是引入一个原始的计算框架来建模资产配置策略,这对数字金融及其应用具有独立的意义。我们的方法解决了评估投资组合管理的关键问题,并且与个人经理以及金融机构相关。为了评估投资组合绩效,我们根据上述框架和概念提供了一个新的投资组合评分。特别是,我们的分数依赖于投资组合的统计特性,我们展示了如何有效地计算它们。
2021-09-03 cs.CG q-fin.PM stat.AP
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
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
Annuitization and asset allocation
本文研究了在各种制度约束下,面对随机死亡时间的效用最大化退休人员的最优年金化、投资和消费策略。我们专注于老龄化对最佳购买终身年金的影响,终身年金是大多数固定收益养老金计划的基础。由于逆向选择,获得终身支付年金是一个不可逆转的交易,创造了一个激励延迟。在机构的全有或全无安排下,年金化必须在一个不同的时间点(即退休)进行,我们得出了年金化的最佳年龄,并制定了一个指标来捕捉过早年金化的损失。相反,在一个开放的市场结构下,个人可以在任何时候年金化他们的财富的任何一部分,我们找到一个一般的最优年金购买政策。在这种情况下,我们发现,一个人最初将一次性年金化,然后购买年金,以保持财富在财富年金空间中分离光线的一侧。我们相信,我们的论文是第一个将人寿年金产品整合到投资组合选择文献中,同时考虑到现实的制度限制,这是唯一的死亡或有债权市场。
2015-06-19 q-fin.PM
Sparse Index Tracking: Simultaneous Asset Selection and Capital Allocation via $\ell_0$-Constrained Portfolio
Tokyo Institute of Technology(东京工业大学)
本文提出一种基于 $\ell_0$ 范数约束的稀疏指数跟踪新方法,可同时进行资产选择与资本配置,并支持换手率稀疏性约束,通过原始-对偶分裂算法高效求解,在 S&P500 和 Russell3000 数据集上验证了有效性。
2024-03-16 cs.CE cs.LG q-fin.PM
Network Momentum across Asset Classes
Oxford-Man Institute of Quantitative Finance(牛津-曼氏定量金融学研究所);University of Oxford(牛津大学);Department of Engineering Science, University of Oxford(牛津大学工程科学系)
该研究针对跨资产类别动量溢出网络研究的难点,用线性可解释图学习模型分析64种跨四类资产的期货合约,构建了表现优异的网络动量交易策略,为多资产投资提供了新方法。
2023-08-22 cs.LG eess.SP q-fin.PM
Portfolio Allocation to Corporate Bonds with Correlated Defaults
本文研究了在存在相关违约的情况下,固定收益投资组合中公司债券的最优资本配置问题。在相当一般的假设下,一组公司的总净资产的分布,我们表明,保留的前几个时刻的投资组合违约损失分布给出了一个非常好的近似完全解决的资产配置问题。我们提供了详细的结果的时刻展开的收敛性。我们还提供了明确的结果的逆问题,即对于一个给定的配置的风险债券,什么是平均风险溢价所需的投资组合最优。大量的数字插图展示了现实的投资组合和效用函数的结果。
2002-06-27 nlin.AO q-fin.PM
Onflow: a model free, online portfolio allocation algorithm robust to transaction fees
CEREMADE, Université Paris Dauphine - PSL(巴黎第九大学-PSL大学 CEREMADE研究中心)
Onflow是一种基于梯度流的无模型在线投资组合分配算法,能有效应对交易费用,实现最优投资策略。
2026-03-11 cs.NA math.NA q-fin.CP
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
Numeraire-invariant quadratic hedging and mean--variance portfolio allocation
本文在不含无风险资产的半鞅市场中建立计价单位变换下的二次对冲等价性,利用斜投影给出最优策略显式表达式,并简化了纯投资问题有效前沿的计算。
2025-07-07 math.OC q-fin.PM
Black-Litterman Asset Allocation under Hidden Truncation Distribution
本文研究隐含截断偏态正态分布下的 Black-Litterman 资产配置模型,证明融入观点后的后验收益仍服从该分布,并利用 Simaan 三阶矩风险模型求解最优投资组合,实证发现该组合风险更低且揭示了波动率与偏态间的权衡关系。
2023-10-18 q-fin.GN q-fin.MF q-fin.PM
Optimal allocation using the Sortino ratio
在本文中,我们提出了一个资产配置策略的基础上最大化的索提诺比率。与夏普比率不同,索提诺比率只惩罚负收益方差。所得到的分配对于任何时间范围都是有效的。基于这种分配的策略的回报率使用历史道琼斯数据进行了实证说明,并显示出对凯利标准等更传统的分配策略的显着升级。
2020-07-13 q-fin.PM
Holding-Based Evaluation upon Actively Managed Stock Mutual Funds in China
我们分析了2005年至2017年中国的主动管理型共同基金。我们为资产配置和选择制定绩效衡量标准。我们发现,基于持股模型的选股能力与基于价格回归模型的Fama-French三因子模型的选股能力呈正相关。我们还发现,基于持有的行业配置模型与基于价格的Treynor-Mazuy模型估计的择时能力在大多数情况下呈正相关。我们的结论是,大多数主动管理型基金具有积极的选股能力,但没有资产配置能力,这是由于难以预测政策变化。
2020-07-13 q-fin.PM
Portfolio Optimization via Transfer Learning
University of Science and Technology of China(中国科学技术大学);Erasmus University Rotterdam(鹿特丹伊拉斯姆斯大学);Chinese Academy of Sciences(中国科学院)
本文提出一种基于迁移学习的投资组合优化策略,通过跨市场信息提升投资绩效,实现渐近最大夏普比率。
2025-11-26 q-fin.PM stat.AP
Striking the Balance: Life Insurance Timing and Asset Allocation in Financial Planning
本文在 Black-Scholes 市场框架下研究不确定寿命个体的消费投资与人寿保险购买时机问题,通过解析求解两种遗产设定,揭示了风险厌恶参数对立即购买或达到财富阈值后购买保险的关键影响。
2025-06-04 q-fin.PM