Reinforcement Learning Portfolio Manager Framework with Monte Carlo Simulation
使用强化学习的资产配置具有目标设定的灵活性和各种信息的利用等优点。然而，现有的资产配置方法在解决资产配置问题时没有考虑以下观点。第一，国家设计没有考虑投资组合管理和金融市场的特点。第二，模型过度拟合。第三，不考虑金融时间序列数据统计结构的模型训练设计。为了解决现有的资产配置方法使用强化学习的问题，提出了一种新的强化学习资产配置方法。首先，由模型管理的投资组合的状态被认为是强化学习代理的状态。第二，使用蒙特卡罗仿真数据来增加训练数据的复杂度以防止模型过拟合。这些数据可能具有不同的模式，这可能会增加数据的复杂性。第三，考虑金融市场的各种统计结构来创建蒙特卡罗模拟数据。我们将金融市场的统计结构定义为构成金融市场的资产的相关矩阵。我们的实验表明，我们的方法优于基准在几个测试间隔。
2022-07-06 q-fin.CP
Robust and Adaptive Algorithms for Online Portfolio Selection
我们提出了一种在线投资组合选择的方法。其动机是在算法交易的背景下，随着新数据的到来，算法交易要求快速和递归地更新投资组合配置。特别是，我们看两个在线算法：鲁棒指数加权最小二乘法（R-EWRLS）和正则化在线最小方差算法（O-VAR）。我们的方法使用信号处理和统计学中的简单思想，这些思想在实证金融文献中有时会被忽视。使用4个真实数据集对基准分配技术对这两种方法进行了评估。我们的方法在这些数据集中的计算需求和财务表现方面优于基准分配技术。
2010-05-17 q-fin.CP q-fin.PM stat.ME
Mean-variance portfolio selection with tracking error penalization
本文研究了连续时间均值-方差投资组合问题的一个变形，在均值-方差准则中加入了跟踪误差惩罚。跟踪误差项惩罚分配控制与具有相同财富和固定权重的参考投资组合之间的距离。这种考虑的动机如下：（i）一方面，它是一种在参数指定错误的情况下使均值-方差分配稳健化的方法，通过将其“拟合”到对市场参数不可知的参考投资组合; ㈡另一方面，它是一种通过在目标函数中考虑均值-方差准则来跟踪基准并改进所得投资组合的夏普比率的过程。这个问题被公式化为一个McKean-Vlasov控制问题。我们提供了明确的解决方案的最优投资组合策略和渐近展开的投资组合策略和有效前沿的小值的跟踪误差参数。最后，我们比较了四种不同的参考投资组合：等权重，最小方差，等风险贡献和收缩投资组合的标准均值-方差分配和惩罚的夏普比率。这种比较是在一个模拟的错误指定的模型上进行的，并且是在用历史数据进行的回测上进行的。我们的研究结果表明，在大多数情况下，惩罚投资组合的夏普比率优于标准均值方差和参考投资组合。
2020-09-18 q-fin.CP
Optimal control of the decumulation of a retirement portfolio with variable spending and dynamic asset allocation
我们扩展了每年重新计算的虚拟年金（ARVA）支出规则，用于退休储蓄累积，包括提款的上限和下限。由于有最低提款限制，ARVA策略有耗尽投资组合的风险。我们确定的动态资产配置策略，最大限度地提高了预期总提款（EW）和预期损失（ES）的加权组合，定义为最坏的百分之五的实际终端财富的结果的平均值。我们比较了我们的动态策略的性能，以简单的替代品，保持恒定的资产配置权重随着时间的推移，伴随着我们相同的修改后的ARVA支出规则或提款是恒定的，随着时间的推移，在实际上。使用历史资产收益率的参数模型以及历史数据的自举回归进行测试。与以前的文献，使用不同的措施，奖励和风险比EW和ES一致，我们发现，允许一些变化的提款导致效率的大幅提高。然而，与以前的文献不同，我们还证明，通过纳入动态资产配置策略，而不是简单地保持资产配置权重不变整个退休，进一步显着增强是可能的。
2021-01-07 q-fin.CP q-fin.PM q-fin.RM
Dynamic portfolio optimization with liquidity cost and market impact: a simulation-and-regression approach
本文提出了一种模拟-回归方法，用于求解存在一般交易成本、流动性成本和市场冲击的动态投资组合配置问题。该方法扩展了经典的最小二乘蒙特卡罗算法，引入了转换成本（对应于交易成本和瞬时流动性成本）以及多个内生状态变量（即投资组合价值和受永久市场冲击影响的资产价格）。为了做到这一点，我们提高了控制随机化方法在离散控制的情况下的准确性，并提出了一个全局迭代过程，以进一步提高分配估计。我们验证了我们的数值方法求解一个现实的现金和股票投资组合的幂律流动性模型。我们量化了与忽略流动性效应相关的确定性等价损失，并说明了我们的动态配置如何在流动性不足的市场条件下保护投资者的资本。最后，在不同的流动性条件下，分析了确定性等价收益和最优配置对交易量、股价波动率、初始投资金额、风险规避水平和投资期限的敏感性。
2019-06-04 q-fin.CP q-fin.PM q-fin.TR
A Meta-Method for Portfolio Management Using Machine Learning for Adaptive Strategy Selection
University College London（伦敦大学学院）
这项工作提出了一种新的投资组合管理技术，Meta投资组合方法（MPM），在生物信息学和其他领域的元方法的成功启发。MPM使用XGBoost来学习如何在两种基于风险的投资组合分配策略之间切换，即分层风险平价（HRP）和更经典的朴素风险平价（NRP）。它表明，MPM是能够成功地利用每个策略的最佳特性（NRP的快速增长，在市场上升趋势，和HRP的保护，防止在市场动荡的下降）。因此，MPM被证明具有出色的样本外的风险回报的配置文件，衡量夏普比率，并提供了高度的可解释性，其资产配置的决定。
2021-11-10 cs.CE cs.LG q-fin.CP
Regime-Based Portfolio Allocation Using Hidden Markov Models and Reinforcement Learning
Aenimatica Tech Research and Development（Aenimatica科技研发）
本研究结合隐马尔可夫模型（HMM）与强化学习（RL），提出一种制度感知的投资组合分配框架，在股票、长期国债和黄金之间动态配置资产，实现了优于被动基准的风险调整后收益。
2026-05-27 econ.EM q-fin.CP q-fin.MF
Precision versus Shrinkage: A Comparative Analysis of Covariance Estimation Methods for Portfolio Allocation
本文在最小方差投资组合配置背景下，全面比较了GGM、收缩等方法，发现GGM方法优于其他方法，并提出了一种新的超参数调优准则。
2023-05-09 q-fin.CP
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
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
Portfolio Preference Elicitation in Institutional Crossing Markets
Graduated School of Data Science, Pusan National University（釜山国立大学数据科学研究生院）
本文研究了机构交叉市场中如何通过有限信息获取投资偏好，提出了一种混合查询方法，通过需求查询和价值查询相结合，提高了流动性发现的效率，并验证了在不同通信预算下混合方法在恢复福利方面的有效性。
2026-05-20 q-fin.CP 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
Nonstationary Portfolios: Diversification in the Spectral Domain
经典的投资组合优化方法通常通过隐含的、但关键的统计时不变假设来确定最优资本分配。这样的模型是不适合现实世界的市场，因为他们采用标准的时间平均为基础的估计，遭受重大的信息损失，如果市场的可观测值是非平稳的。为此，我们重新制定的频谱域中的投资组合优化问题，以满足资产价格变动固有的非平稳性，并以这种方式，允许最佳的资本配置是随时间变化的。与现有的频谱组合技术不同，所提出的框架采用增强的复统计，以利用复频谱变量的实部和虚部之间的相互作用，这反过来又允许在时域中的谐波和循环平稳性建模。所提出的框架比传统的方法的优势，通过使用真实世界的价格数据的数值模拟证明。
2021-01-31 eess.SP q-fin.CP q-fin.ST
High-dimensional covariance matrix estimators on simulated portfolios with complex structures
研究高维场景下复杂结构合成投资组合的配置，提出结合随机矩阵与分层方法的两步协方差估计量，改善了多项金融指标，为资产与交易日同量级时的风险管理提供新途径。
2024-12-11 physics.soc-ph q-fin.CP
Sizing the bets in a focused portfolio
本文基于广义凯利准则构建集中投资组合的资本配置模型与工具，在禁止做空、限制杠杆、控制永久损失风险和单笔配置上限等约束下求解最优下注规模，并通过示例揭示过度分散化问题。
2024-02-23 q-fin.CP q-fin.PM
