Stock Performance Evaluation for Portfolio Design from Different Sectors of the Indian Stock Market
Praxis Business School（普拉西斯商学院）
股票市场提供了一个人们买卖上市公司股票的平台。一般来说，股票价格是相当不稳定的，因此预测它们是一项艰巨的任务。仍然有很多研究要开发更准确的股票价格预测。投资组合构建是指以最佳方式分配不同行业的股票，以实现最大回报，并承担最小风险。一个好的投资组合可以帮助投资者以最小的风险获得最大的利润。从道琼斯理论开始，在建立有效投资组合方面取得了很大进展。在这个项目中，我们试图预测来自印度经济六个重要行业的一些股票的未来价值，并建立了一个投资组合。作为该项目的一部分，我们的团队对各种时间序列、机器学习和深度学习模型在股票价格预测中的表现进行了研究，这些模型是从选定的六个重要经济部门中选出的。作为构建有效投资组合的一部分，我们从现代投资组合理论开始，研究了多种投资组合优化理论。我们使用过去五年的每日股票价格作为训练数据，为所有六个选定的行业建立了最小方差投资组合和最优风险投资组合，并进行了回测，以检查投资组合的性能。我们期待着在股票价格预测和资产配置领域继续我们的研究，并将此项目视为第一个垫脚石。
2022-07-01 cs.LG q-fin.PM
A Comparative Study of Hierarchical Risk Parity Portfolio and Eigen Portfolio on the NIFTY 50 Stocks
Praxis Business School（普拉西斯商学院）
投资组合优化一直是一个研究领域，吸引了大量的研究人员和金融分析师的关注。设计最优投资组合是一项复杂的任务，因为它不仅涉及对未来股票收益和风险的准确预测，而且还需要对其进行优化。本文提出了一种系统的方法来投资组合优化使用两种方法，层次风险平价算法和特征投资组合的七个部门的印度股票市场。这些投资组合是按照2016年1月1日至2020年12月31日历史股价的两种方法构建的。投资组合的表现是根据2021年1月1日至2021年11月1日的测试数据进行评估。投资组合的回测结果表明，HRP组合的性能优于其本征对应的训练和测试数据的大多数部门的研究。
2022-10-03 cs.LG q-fin.PM
A Comparative Study of Portfolio Optimization Methods for the Indian Stock Market
本文比较了MVP、HRP和HERC三种投资组合优化方法在印度股市15个行业中的表现，基于累计收益、年化波动率和夏普比率评估各方法优劣。
2023-10-23 cs.LG q-fin.PM
Exploring Sectoral Profitability in the Indian Stock Market Using Deep Learning
Praxis Business School（普拉西斯商学院）
本文针对印度股市，使用优化的LSTM模型基于NSE 18个行业180只股票的历史价格预测股价并指导买卖，从而评估行业盈利能力与波动性，为投资组合设计提供依据。
2024-05-28 cs.LG q-fin.CP q-fin.PM
Low Volatility Stock Portfolio Through High Dimensional Bayesian Cointegration
本研究提出一种高维贝叶斯协整建模框架，可从大量股票中识别稀疏重要的协整关系以构建低波动率投资组合，该组合在样本外表现稳定，可作为有效的风险管理工具。
2024-07-14 econ.EM q-fin.PM q-fin.ST
Portfolio Optimization on NIFTY Thematic Sector Stocks Using an LSTM Model
Praxis Business School（普拉西斯商学院）
投资组合优化一直是数量金融和统计金融研究人员和金融分析师广泛而强烈的兴趣领域。设计一个股票投资组合以达到收益和风险的最佳值是一项具有挑战性的任务。本文提出了一种算法的方法来设计最佳的风险和特征投资组合的印度NSE的五个主题部门。股票价格从2016年1月1日至2020年12月31日的网络上提取。每个行业的最佳风险和特征投资组合是根据该行业的十只关键股票设计的。LSTM模型是用来预测未来股票价格的。在投资组合形成后七个月，即2021年8月3日，将投资组合的实际回报与LSTM预测回报进行比较。预测和实际回报表明LSTM模型具有非常高的准确性。
2022-02-06 cs.LG q-fin.PM
Precise Stock Price Prediction for Optimized Portfolio Design Using an LSTM Model
Praxis Business School（普拉西斯商学院）
准确预测股票的未来价格是一项艰巨的任务。更具有挑战性的是设计一个优化的股票投资组合，确定适当的配置权重，以实现收益和风险的优化值。我们根据印度经济的七个部门提出了优化的投资组合。股票的过去价格是从2016年1月1日至2020年12月31日的网络上提取的。最佳投资组合的设计上选定的七个部门。LSTM回归模型也被设计用于预测未来的股票价格。投资组合构建后五个月，即，在2021年6月1日，计算每个投资组合的实际和预测回报和风险。预测和实际回报表明LSTM模型的准确性非常高。
2022-03-02 cs.LG q-fin.PM
Robust Portfolio Design and Stock Price Prediction Using an Optimized LSTM Model
Praxis Business School（普拉西斯商学院）
准确预测股票的未来价格是一项艰巨的任务。更具有挑战性的是设计一个优化的投资组合，以优化其回报和风险的方式将权重分配给股票。本文提出了一种系统的方法，建立两种类型的投资组合，最佳风险，和本征，印度的四个关键经济部门。股票价格从2016年1月1日至2020年12月31日的网络上提取。行业明智的投资组合是建立在他们的十个最重要的股票。LSTM模型也被设计用于预测未来的股票价格。投资组合构建后六个月，即，在2021年7月1日，计算投资组合的实际回报和LSTM预测回报。预测和实际回报的比较表明LSTM模型的准确性很高。
2022-03-02 cs.LG q-fin.PM
Green portfolio optimization: A scenario analysis and stress testing based novel approach for sustainable investing in the paradigm Indian markets
本文提出利用ESG评级构建绿色投资组合的新方法，将环境得分纳入传统均值-方差框架形成绿色有效前沿，并通过情景分析与压力测试评估其在印度市场的表现，强调可持续投资与气候风险的重要性。
2023-05-26 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
Stock Portfolio Optimization Using a Deep Learning LSTM Model
Praxis Business School（普拉西斯商学院）
预测未来股票价格及其变动模式是一个复杂的问题。因此，利用预测的价格建立一个资本资产的投资组合，以实现其收益和风险之间的优化是一个更加困难的任务。这项工作对2016年1月1日至2020年12月31日印度股票市场九个不同行业的前五大股票的历史价格的时间序列进行了分析。为每个部门建立最佳投资组合。为了预测未来的股票价格，还设计和微调了长短期记忆（LSTM）模型。在五个月的投资组合构建之后，计算每个投资组合的实际和预测收益和风险。每个投资组合的预测和实际回报率都很高，这表明LSTM模型的精度很高。
2021-11-08 cs.LG q-fin.PM
Hierarchical Risk Parity and Minimum Variance Portfolio Design on NIFTY 50 Stocks
Praxis Business School（普拉西斯商学院）
投资组合的设计与优化一直是金融领域研究者关注的一个研究领域。设计最佳投资组合是一项复杂的任务，因为它涉及到对未来股票收益和风险的准确预测，并在两者之间做出适当的权衡。本文提出了一种系统的方法来设计投资组合，使用两种算法，临界线算法，和层次风险平价算法的八个部门的印度股票市场。虽然投资组合是使用2016年1月1日至2020年12月31日的股价数据设计的，但它们是在2021年1月1日至2021年8月26日的数据上进行测试的。投资组合的回测结果表明，虽然CLA算法的性能优于训练数据，HRP算法已超过CLA算法的测试数据。
2022-02-06 cs.LG q-fin.PM
Can robust optimization offer improved portfolio performance?: An empirical study of Indian market
鲁棒优化的出现主要是由于需要解决Markowitz模型的缺点。有一个值得注意的辩论，认为稳健的方法优于或等同于马科维茨模型，在投资组合的表现。为了解决这种怀疑，我们进行实证分析的三个强大的优化模型，即基于盒，椭球和可分离的不确定性集。我们的结论是，强大的方法可以被认为是一个可行的替代马科维茨模型，不仅在模拟数据，而且在一个真正的市场设置，涉及印度指数的标准普尔BSE 30和标准普尔BSE 100。最后，我们从股票数量、样本大小和数据类型的角度出发，对稳健优化方法的实用性进行了定性和定量的论证。
2019-08-14 q-fin.PM
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
Picking Efficient Portfolios from 3,171 US Common Stocks with New Quantum and Classical Solvers
我们分析了3，171只美国普通股，以创建基于芝加哥量子净得分（CQNS）和投资组合优化的有效投资组合。我们从经典的求解器开始，并结合量子退火。我们增加了一个模拟的分叉作为一个新的经典求解器和新的D-Wave优势（TM）量子退火计算机作为我们新的量子求解器。
2020-10-30 q-fin.PM quant-ph
Designing Efficient Pair-Trading Strategies Using Cointegration for the Indian Stock Market
Praxis Business School（普拉西斯商学院）
配对交易策略是一种利用短期内一对股票价格波动的方法，而从长期来看，这对股票可能会表现出强烈的关联和共同运动模式。当股票的价格表现出显著的差异时，价格上涨的股票被卖出（空头策略），而价格下跌的股票被买入（多头策略）。本文提出了一种基于协整的方法，确定在印度国家证券交易所（NSE）的五个部门上市的股票设计有效的配对交易组合。基于2018年1月1日至2020年12月31日的股票价格，识别协整股票并形成配对。配对交易投资组合按其二零二一年的年度回报评估。结果表明，在研究的五个行业中，汽车和房地产行业的股票组合总体上获得了最高的回报。然而，在信息技术部门的五对投资组合中，有两对投资组合的回报率为负。
2022-11-14 cs.LG q-fin.PM
Supervised classification-based stock prediction and portfolio optimization
Stanford University（斯坦福大学）
随着公开交易公司的数量以及它们的金融数据量的快速增长，非常期望具有自动化的跟踪、分析以及最终的股票选择。很少有作品专注于估计个别公司的股票价格。然而，其中许多都是在很少的财务参数下进行的。在这项工作中，我们应用机器学习技术来解决自动选股问题，同时为单个公司使用了比以前研究更多的财务参数。我们的方法是基于监督的预测参数，使用公司的基本面，时间序列属性，以及不同股票之间的相关性信息。我们研究了各种监督学习技术，发现使用股票基本面是一个有用的方法的分类问题，当结合高维数据处理能力的支持向量机。我们的系统通过预测股票的行为而建议的投资组合在3个月的时间内平均比整体市场增长3%，正如样本外测试所表明的那样。
2014-06-03 cs.CE cs.LG q-fin.PM
Liquidity Adjustment in Multivariate Volatility Modeling: Evidence from Portfolios of Cryptocurrencies and US Stocks
本文针对市场摩擦下时变协方差结构估计问题，提出整合流动性跳跃与扩散指标的流动性敏感多变量波动率框架，应用于加密货币和美股组合，发现其比传统模型更稳定可解释，为投资组合风险评估提供工具。
2025-04-17 q-fin.PM q-fin.ST
Machine Learning Based Stress Testing Framework for Indian Financial Market Portfolios
Indian Institute of Technology Guwahati（印度理工学院古瓦哈提）
本文提出基于主成分分析、自编码器和变分自编码器的机器学习压力测试框架，通过蒙特卡洛情景生成和风险价值、预期损失估计，提升印度金融市场行业压力测试的灵活性与真实性。
2025-07-02 cs.LG q-fin.PM q-fin.RM
Building portfolios of stocks in the São Paulo Stock Exchange using Random Matrix Theory
通过使用随机矩阵理论，我们建立BM& F-Bovespa指数（Bolsa de Valores，Mercadorias e Futuros de São Paulo）股票之间的协方差矩阵，由于许多股票之间的复杂相互作用和可用数据的有限性，这些股票被清除了一些噪音。我们还使用了回归模型，以消除由于所有股票的共同运动而产生的市场效应。这两个程序，然后使用建立基于马科维茨的理论的股票投资组合，试图获得更好的预测未来的风险的基础上，过去的数据。这是针对2004年至2010年巴西股票市场的低波动和高波动的年份进行的。结果表明，使用回归减去市场对收益的影响，大大提高了风险预测的准确性，而且，虽然清洗的相关矩阵往往会导致更好地预测风险的投资组合，在市场的高波动性时期，这一程序可能无法做到这一点。
2013-03-28 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
Design and Analysis of Optimized Portfolios for Selected Sectors of the Indian Stock Market
投资组合优化是一个具有挑战性的问题，吸引了大量的关注和努力，从研究人员。股票投资组合的优化是一个特别困难的问题，因为股票价格是波动的，在大多数情况下，估计其未来的波动率和价值是非常困难的，如果不是不可能的。这项工作使用三个比率，夏普比率，索提诺比率，和Calmar比率，为印度国家证券交易所（NSE）上市的六个重要部门设计均值-方差优化投资组合。为每个行业设计了三个投资组合，根据2017年1月1日至2020年12月31日每个行业十大股票的历史价格最大化比率。投资组合的评估是根据2021年1月1日至2021年12月31日测试期间的累计回报进行的。确定了大多数部门在训练和测试期间产生最大累积收益的比率。在相同的比率下，表现出最大累积回报的行业也被确定。研究结果为股票市场的投资者提供了有益的启示，使他们能够根据与六个行业及其股票相关的当前收益和风险做出投资决策。
2022-10-08 q-fin.PM
Comparison of Markowitz Model and Single-Index Model on Portfolio Selection of Malaysian Stocks
本文基于FTSE Bursa Malaysia KLCI中10只股票10年历史月度收益率数据，在五种约束条件下比较Markowitz模型与Single Index Model构建的最小方差与最大Sharpe投资组合，为马来西亚股市投资者构建有效投资组合提供参考。
2024-01-10 q-fin.PM
Can Google Trends search queries contribute to risk diversification?
投资组合多元化和积极的风险管理是金融分析的重要组成部分，在全球金融危机期间和之后变得更加重要（并受到质疑）。我们提出了一种新的方法来投资组合多样化，使用谷歌趋势上的搜索项的信息。多样化是基于这样一个想法，即通过搜索查询衡量的股票受欢迎程度与股票风险相关。我们通过给热门股票分配较低的投资组合权重来惩罚它们，并将不太受欢迎的股票或外围股票提前，以降低投资组合的总风险。我们的研究结果表明，这种策略优于基准指数和均匀加权的投资组合样本内和样本外。
2013-10-05 q-fin.PM q-fin.ST
Diversifying portfolios of U.S. stocks with crude oil and natural gas: A regime-dependent optimization with several risk measures
能源市场对政府和经济发展具有战略意义。一些初级商品作为替代能源和能源多样化竞争。这种竞争降低了国家的能源脆弱性以及投资组合的风险。脆弱性主要是供求冲击后的价格趋势和波动造成的。这种能源价格的不确定性吸引了能源商品市场的许多市场参与者。首先，能源生产者和消费者利用能源衍生品对冲不利的价格变化。第二，金融市场参与者利用商品和商品衍生品使其常规投资组合多样化。因此，我们认为美国（美国）之间的联合依赖。天然气、原油和股票市场。我们使用Gatfaoui（2015）的时变多变量Copula分析和相关方差机制。这种方法处理资产价格的结构性变化。有鉴于此，我们得出了投资组合优化的含义，当投资者分散他们的股票投资组合与天然气和原油资产。在投资组合的预期收益率和/或美国股票投资存在和不存在约束的情况下，我们最小化投资组合的方差、半方差和尾部风险。收益约束降低了最优投资组合的性能。此外，特定于制度的投资组合优化有助于在整个样本期内实施增强的主动管理策略。在收益约束下，半方差最优投资组合提供了最佳的风险收益权衡，而尾部风险最优投资组合提供了最佳的权衡在没有收益约束。
2018-11-06 q-fin.PM
Weak Correlations of Stocks Future Returns
我们通过一系列被广泛采用的参数来分析股票收益之间的相关性，这些参数被称为解释变量。随后，我们利用这些结果提出了一个长期的定量自适应技术，以构建一个有利可图的资产组合，表现出较小的提款和更高的回收率比一个同等权重和有效前沿的投资组合。
2018-09-19 q-fin.PM q-fin.ST
Reinforcement Learning with Maskable Stock Representation for Portfolio Management in Customizable Stock Pools
Nanyang Technological University（南洋理工大学）；Zhejiang University（浙江大学）；Skywork AI（天工智源（新加坡）科技有限公司）
针对可定制股票池投资组合管理需频繁重训的问题，本文提出EarnMore框架，通过可掩码股票表示、自监督掩蔽重构和重新加权机制实现全局股票池一次性训练，在8个美国股票子池上以超40%利润提升显著优于14个基线。
2024-02-27 cs.AI cs.CE cs.LG
Portfolio Optimization: A Comparative Study
Praxis Business School（普拉克西斯商学院）
本文比较了均值-方差、层次风险平价和自编码器三种投资组合方法在印度NSE主题板块股票上的表现，发现MVP在风险调整收益上最佳，而自编码器组合在年度收益上更优。
2023-07-11 cs.LG q-fin.PM
DSPO: An End-to-End Framework for Direct Sorted Portfolio Construction
DSPO提出端到端框架，直接处理原始股票数据构建排序投资组合，引入单调逻辑回归损失，在NYSE及多市场验证有效，RankIC达10.12%和9.11%。
2024-05-24 q-fin.CP q-fin.PM
Quantum computing approach to realistic ESG-friendly stock portfolios
本研究针对小额预算下传统连续投资组合优化近似效果差的问题，构建离散马科维茨理论，用量子退火器求解，结合ESG评级实现风险、收益与社会责任的平衡，效果优于传统取整方法。
2024-04-03 q-fin.PM
Portfolio Optimization of Indonesian Banking Stocks Using Robust Optimization
本研究针对印尼银行股，采用移动窗口法和自助法构建不确定性集合的鲁棒优化，发现移动窗口法在较小风险厌恶参数下能提供更优的风险-收益权衡，适合风险承受型投资者。
2025-10-17 math.OC 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 optimization when expected stock returns are determined by exposure to risk
人们普遍认为，当经典的最优策略与从数据中估计的参数一起应用时，所得到的投资组合权重随着时间的推移是显著波动和不稳定的。对此的主要解释是难以准确估计预期回报。在本文中，我们修改了$n$股票布莱克-斯科尔斯模型，通过引入一个新的参数化的漂移率。在此框架下，我们解决了Markowitz的连续时间投资组合问题。最优投资组合权重对应于在每个$n$布朗运动中保持投资于股票的财富的$1/n$。该策略适用于一个大的数据集的样本外。投资组合的权重是稳定的，随着时间的推移，并获得显着更高的夏普比经典的$1/n$战略。
2009-06-12 math.ST q-fin.PM stat.TH
A Deep Deterministic Policy Gradient-based Strategy for Stocks Portfolio Management
随着计算机性能的提高和GPU加速技术的发展，利用机器学习算法进行交易已经引起了许多研究人员和从业者的关注。在这项研究中，我们提出了一种新的投资组合管理策略的基础上的深度确定性政策梯度，基于政策的强化学习框架，并比较其性能与其他交易策略。在我们的框架中，构造了两个长短期记忆神经网络和两个全连接神经网络。我们还研究了我们的战略的性能，有和没有交易成本。在实验中，我们选择了八只美国股票，其中四只低波动性股票和四只高波动性股票。我们将我们的策略的复合年回报率与其他七种策略进行比较，例如，统一购买和持有，指数梯度和通用投资组合。在我们的案例中，复合年回报率为14.12%，优于所有其他策略。此外，在夏普比率（0.5988）方面，我们的策略比第二个最好的策略高出近33%。
2021-03-21 q-fin.PM
Construct sparse portfolio with mutual fund's favourite stocks in China A share market
针对中国A股市场难寻持续跑赢市场的公募基金的问题，本研究通过量化方法，基于公募基金偏好股票，在个股与行业敞口约束下构建两类稀疏组合，分别实现对偏股基金指数的高相关性跟踪及持续超额收益。
2023-04-24 q-fin.PM
Statistical Arbitrage for Multiple Co-Integrated Stocks
本文从随机控制和最优化问题出发，分析了以特征投资组合为因子的多重协整股票的最优统计套利策略。最优投资组合的权重是通过求解一个Hamilton-Jacobi-Bellman（HJB）偏微分方程来得到的，我们求解了一个无约束的投资组合和一个约束为市场中性的投资组合.我们的分析表明，模型参数的充分条件，以确保长期稳定的HJB解决方案和稳定的增长率的最优投资组合。为了衡量这些最佳投资组合在实践中的表现，我们对2000年至2021年标准普尔500指数成分股的历史股价进行了回溯测试。这些回测表明三个关键结论：提出的协整模型与特征投资组合的因素，可以产生大量的协整股票在一个很长的时间跨度，最优的投资组合是敏感的参数估计，和统计套利策略是更有利可图的时期，当整体市场波动率高。
2022-02-08 math.OC math.PR q-fin.PM
3S-Trader: A Multi-LLM Framework for Adaptive Stock Scoring, Strategy, and Selection in Portfolio Optimization
本文提出无需训练的多 LLM 框架 3S-Trader，通过评分、策略生成与股票选择三模块自适应构建投资组合，并在 DJIA 等四个股票池上取得最优累计收益。
2025-10-20 q-fin.PM
Mesoscopic Structure of the Stock Market and Portfolio Optimization
本文利用随机矩阵理论聚类技术研究股票市场最稳定的介观结构，通过滤除相关矩阵中的随机与系统性协同运动重新定义投资组合优化，并提出同社区股票等权分配方案以提升组合可靠性。
2021-12-13 physics.data-an 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
Statistical Arbitrage Risk Premium by Machine Learning
如何在不知道因子的身份的情况下对冲因子风险？我们首先证明了一个一般性的理论结果：即使无法确定确切的因素集，任何风险资产都可以使用类似的同类资产的投资组合来对冲自己的因素风险。风险资产的多头头寸和同类资产的“复制投资组合”的空头头寸代表该资产的要素剩余风险。我们将一项资产的要素剩余风险的预期收益率称为其统计套利风险溢价（SARP）。经验估计SARP的挑战是找到每种资产的同行，并构建复制的投资组合。我们使用弹性网络，一种机器学习方法，将每只股票的过去回报投射到其他股票的回报上。由此产生的高维但稀疏的投影向量作为构建股票复制投资组合的投资权重。我们说一只股票有高（低）统计套利风险（SAR），如果它有低（高）R平方与它的同行。关键的发现是，“独特”的股票有一个更高的SARP和更高的超额收益率比“无处不在”的股票：在横截面中，高SAR股票的每月SARP（每月超额收益率）是1.101%（0.710%）比低SAR股票。所有股票的平均SAR是反周期的。我们的结果是强大的控制各种已知的定价因素和特点。
2021-03-18 q-fin.PM q-fin.ST
The Determinants of Home Bias in Stock Portfolio: An Emerging and Developed Markets Study
本文的目的是衡量国内偏见（HB）的程度内持有的投资组合，并确定其决定因素。通过文献研究和国际上的资本资产定价模型，我们选取了影响HB的多个敏感因素。因此，这一模型是在2008年至2013年期间对20个国家进行跨部门计量经济学估计的。我们的研究结果表明，所有国家在其持有的投资组合中都有很高的HB水平。在此之后，我们测试了新兴市场和发达市场的HB对决定因素的反应是否不同。新兴市场的汇率波动在统计上很大，而发达国家的汇率波动并不显著。协方差、规模、距离、语言、法律框架和外国组织股票阻止了美国投资者在国外投资。
2018-03-26 q-fin.PM
Simple Dynamic Stock/Bond/Gold Portfolios
本文利用公开数据和量化方法，通过简单波动率控制及凸优化动态组合，在2006-2026年间显著提升股票/债券/黄金固定权重基准的风险调整回报和回撤指标。
2026-09-09 math.OC q-fin.PM
The new methods for equity fund selection and optimal portfolio construction
Bank of Jiangsu Asset Management（江苏银行资产管理）
本文从一个新的角度重新审视了经典的自有资金选择和投资组合构建问题，并提出了一个易于实现的框架来解决实际投资中的问题。而不是传统的方式，通过构建一个长期的投资组合，从一个大宇宙的股票或宏观因素，我们展示了如何产生一个长期的短期投资组合，从一个较小的股票池，从共同基金的顶部持有，并产生令人印象深刻的结果。由于这些方法是基于统计证据，我们需要密切监测模型的有效性，并准备修复策略。
2020-04-20 cs.LG q-fin.MF q-fin.PM
StockGPT: A GenAI Model for Stock Prediction and Trading
MKT MediaStats, LLC（MKT MediaStats有限责任公司）；University of Missouri-Columbia（密苏里大学哥伦比亚分校）
StockGPT利用自回归数字模型从近百年美股日收益数据中自动学习收益模式，其预测构建的多空组合无需人工策略即可显著跑赢主流因子，揭示了生成式AI在金融投资决策中的潜力。
2024-10-23 cs.AI q-fin.CP q-fin.PM
The geometry of relative arbitrage
考虑一个有$n$股票的股票市场。属于每只股票的总市价总值的比例向量称为市场权重。市场权重定义了市场投资组合，市场投资组合是代表整个股票市场表现的买入并持有投资组合。考虑一个函数，它为市场权重的每个可能值分配一个投资组合向量，我们使用这个投资组合函数执行自融资交易。我们研究的问题的特征功能，使由此产生的投资组合将优于市场的投资组合在长期的多样性和充分的波动条件下。没有对股票价格的未来行为做出其他假设。我们证明，唯一的解决方案是功能生成的投资组合的意义上的Fernholz。第二个特征是作为一个显着的最优运输问题的最优映射。这两个特征都来自投资组合的一个新性质，称为乘法循环单调性。
2015-07-28 math.PR q-fin.PM
Portfolio liquidation under transient price impact -- theoretical solution and implementation with 100 NASDAQ stocks
我们推导出Graewe和Horst（2017）投资组合清算模型中确定性市场冲击参数的显式解。该模型允许结合各种形式的市场冲击，即瞬时的，永久的和暂时的。我们证明了Almgren和Chris（2001）以及Obizhaeva和Wang（2013）的两个基准模型的解是作为特例得到的。我们将不同形式的市场冲击与限价订单簿市场的微观结构联系起来，并展示了如何从公开市场数据中估计影响参数。我们调查的数值性能的基础上派生的最优交易策略的高频限价订单簿的100只纳斯达克股票，代表了一系列的市场冲击配置文件。它表明，与Almgren和Chris（2001）以及Obizhaeva和Wang（2013）的基准模型相比，该战略实现了显着的成本节约。
2019-12-13 q-fin.MF q-fin.PM
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
CAD: Clustering And Deep Reinforcement Learning Based Multi-Period Portfolio Management Strategy
提出融合聚类、A3C与DDPG的多周期投资组合管理策略CAD，并在800只股票的360个周期回测中以151%平均收益优于传统及机器学习方法。
2023-10-02 q-fin.PM
From Headlines to Holdings: Deep Learning for Smarter Portfolio Decisions
Columbia University（哥伦比亚大学）
提出一个端到端框架，结合LSTM、图注意力网络和新闻情感分析，直接学习投资组合权重，避免传统两步法的不稳定性，在九只美国股票上实现更高累计收益和夏普比率。
2026-05-25 q-fin.CP q-fin.PM q-fin.ST
Using MOEAs To Outperform Stock Benchmarks In The Presence of Typical Investment Constraints
投资组合经理通常会受到交易额限制、最低和最高股票头寸、基数、目标市价总值以及有时需要坚持某种风格（如增长或价值）的限制。此外，投资组合经理经常使用多因素股票模型来选择基于各自基本面数据的股票。我们使用多目标进化算法（MOEAs），以满足上述现实世界的约束。生成的投资组合始终优于典型的业绩基准，并具有统计上显著的资产选择。
2012-01-02 cs.CE cs.NE q-fin.PM
Constructing long-short stock portfolio with a new listwise learn-to-rank algorithm
随着机器学习技术的快速发展，因子策略在工业界越来越受到欢迎。通常，多个因素被输入到一个算法中，用于一些横截面的收益预测，这些预测进一步用于构建一个多空组合。新兴的研究不是预测股票回报的价值，而是使用成熟的学习排名技术预测排名的股票列表。在这项研究中，我们提出了一个新的列表学习排名损失函数，其目的是强调排名列表的顶部和底部。我们的损失函数，由多空策略的动机，是内生的移位不变，可以被看作是一个直接推广的ListMLE。在不同的转换函数下，我们的损失可能导致与二元分类损失或排列水平0-1损失的一致性。我们的模型的概率解释也作为一个广义Plackett-Luce模型。基于2006 - 2019年中国A股市场68个因子的数据集，我们的实证研究证明了我们方法的优势，在夏普比率为2的情况下，样本外年收益率为38%。
2021-04-26 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
Relative utility bounds for empirically optimal portfolios
我们考虑一个投资者的单期投资组合选择问题，最大化投资组合效用和事后最佳资产效用的期望比率。决策规则是基于历史的股票收益率未知的分布。假设效用函数是Lipschitz或Hölder连续的（不需要连续），我们在收益独立同分布的唯一假设下获得高概率效用界。这些界限仅取决于效用函数、资产数量和观测数量。对于凹效用，指数梯度方法产生的投资组合也得到了类似的界。此外，我们还使用统计实验来研究经验最优投资组合的风险和泛化特性。在这里，我们考虑一个模型，一个风险资产和一个数据集，包含纽约证券交易所的股票价格。
2020-06-09 q-fin.PM q-fin.ST
Portfolio optimization using local linear regression ensembles in RapidMiner
Budapest University of Technology and Economics（布达佩斯技术与经济大学）
在本文中，我们实现了一个局部线性回归委员会（LOLREC）来预测标准普尔500指数中453种资产的1天前收益率。委员会的估计和历史回报被用来计算453只股票的投资组合权重。所提出的方法优于基准投资组合选择策略，优化资本的增长率。我们研究了算法参数m的影响：选定股票的数量对实现的平均年收益率。结果表明该算法在日常交易中的实用性。
2015-06-29 cs.LG q-fin.PM stat.ML
