Portfolio management using graph centralities: Review and comparison
本文系统比较了基于图中心性的投资组合优化方法在标普500股票上的多种变体,发现新中心性度量相比传统方法能显著提升风险调整后收益,适用于不同投资画像的投资者。
2024-03-29 math.CO q-fin.CP q-fin.PM
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
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
An updated review of (sub-)optimal diversification models
在过去的十年中,许多研究者提出了新的最优投资组合选择策略,以表明复杂的多样化可以在样本外基准中优于朴素的1/N策略。自DeMiguel et al.(2009 b)以来,我对这些模型进行了更新,在六个经验数据集上测试了十六种策略,以查看是否确实取得了进展。然而,我发现,没有一个最近建议的策略始终优于1/N或最小方差方法的夏普比率,确定性等价回报或营业额。这表明,简单的多样化规则实际上并不是低效的,最优投资组合选择所承诺的收益仍然无法实现,因为预期收益率的估计误差很大。因此,进一步的研究工作应该致力于改善预期收益率的估计,并可能探索不需要直接估计预期收益率,但也使用其他可用信息的股票特征的多样化规则。
2018-11-20 q-fin.PM
Black-Litterman, Bayesian Shrinkage, and Factor Models in Portfolio Selection: You Can Have It All
本文提出一种贝叶斯蓝图,将收缩估计与观点包含融合并应用于 Fama-French 因子模型,构建了统一框架,实证表明其优于 1/N 投资组合和样本估计器最优组合。
2023-11-23 q-fin.PM
A Practitioner's Guide to AI+ML in Portfolio Investing
North Carolina State University(北卡罗来纳州立大学);Chinese University of Hong Kong(香港中文大学)
本文综述投资组合权重构建中的机器学习工具,强调 ML 方法须与组合选择目标函数按样本外夏普比率联合评估,并实证发现 nodewise regression 结合 GMV 权重表现稳健。
2025-09-29 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
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
Decision by Supervised Learning with Deep Ensembles: A Practical Framework for Robust Portfolio Optimization
Mirae Asset Global Investments AI Quant Lab, MODULABS Seoul Republic of Korea;Elice AI Quant Lab, MODULABS Seoul Republic of Korea;Meritz Fire \& Marine Insurance AI Quant Lab, MODULABS Seoul Republic of Korea;Ulsan National Institute of Science;AI Quant Lab, MODULABS
本文提出 DSL 框架,将投资组合权重建模为监督学习任务,并结合 Deep Ensemble 降低配置方差,在多市场、多架构回测中优于传统及主流机器学习投资组合方法。
2025-10-21 cs.LG q-fin.CP q-fin.PM
Long time asymptotics for optimal investment
本文综述了长期投资组合选择问题。我们考虑两个目标:(i)最大化超过财富过程的目标增长率的概率(ii)最小化低于目标增长率的概率。我们研究这些标准制定为大偏差控制方案,我们解决了对偶方法导致遍历风险敏感的投资组合优化问题的渐近行为。特别强调的是线性因子模型,其中明确的解决方案。
2014-08-27 math.PR q-fin.PM
Hedge Fund Portfolio Construction Using PolyModel Theory and iTransformer
Stony Brook University(石溪大学);University of Paris I: Pantheon-Sorbonne(巴黎第一大学先贤祠-索邦大学)
针对金融时间序列数据稀疏导致机器学习方法应用困难的问题,本文结合PolyModel理论和iTransformer模型构建对冲基金投资组合,通过多风险因素选择、定量指标设计及深度学习技术提升,实现了更优的夏普比率和年化收益率。
2025-02-13 cs.LG q-fin.PM
Basis Immunity: Isotropy as a Regularizer for Uncertainty
WorkMotion
本文针对投资组合构建中模型不确定性与估计误差的问题,拓展特征风险平价的各向同性理念,提出融合均值-方差优化与各向同性正则约束的配置框架,兼具理论价值与实用对冲效果。
2025-11-17 q-fin.PM
Robust MCVaR Portfolio Optimization with Ellipsoidal Support and Reproducing Kernel Hilbert Space-based Uncertainty
提出融合椭球支撑与 RKHS 不确定性集合的鲁棒 MCVaR 投资组合模型,并转化为 SOCP;六国市场实验显示其风险调整收益更优,尤其在熊市中防护能力突出。
2025-08-30 q-fin.PM
A Deep Reinforcement Learning Framework For Financial Portfolio Management
University of Waterloo(滑铁卢大学)
本研究复现了一种基于EIIE拓扑、PVM、OSBL的无金融模型强化学习投资组合管理框架,验证了其在加密货币市场的优异收益,同时发现其在股票市场表现不佳。
2024-09-03 cs.LG q-fin.CP q-fin.PM
A systematic literature review on solution approaches for the index tracking problem in the last decade
本文系统综述近十年指数跟踪问题的数学求解方法,梳理研究领域、模型结构与求解技术,并重点分析元启发式方法的应用进展。
2023-06-05 cs.CE q-fin.PM
PolyModel for Hedge Funds' Portfolio Construction Using Machine Learning
本研究利用机器学习与PolyModel特征选择,探讨对冲基金投资绩效提升,发现机器学习增强收益但增加波动,全面特征选择更优,且大型基金并非更可靠。
2024-12-15 q-fin.PM q-fin.ST
Optimal sports betting strategies in practice: an experimental review
本文基于现代投资组合理论和凯利准则,研究了体育博彩投资问题的最流行的方法。我们定义的问题设置,正式的投资策略,并审查其在实践中使用的常见修改。经审查的修改的根本目的是减轻正式战略中不切实际的数学假设所产生的额外风险。我们测试所得到的方法使用一个统一的评估协议,三项运动:赛马,篮球和足球。结果表明,额外的风险控制方法的实际必要性,并证明其各自的好处。特别是,我们表明,流行的“分数凯利”方法的自适应变体是一个非常合适的选择,在广泛的设置。
2021-07-15 cs.CE q-fin.PM q-fin.RM
A comprehensive review and analysis of different modeling approaches for financial index tracking problem
本文综述了金融指数追踪问题的不同建模方法,通过实证分析比较了优化、统计和数据驱动方法的性能,揭示了各方法在跟踪精度、风险平衡和计算效率上的差异。
2026-01-07 q-fin.PM stat.ML