Gibbs后验与参数投资组合选择
The Gibbs Posterior and Parametric Portfolio Choice
AI总结：
本文提出了一种基于Gibbs后验的参数投资组合选择方法，通过KNEEDLE算法优化λ*，在样本内实现效用最大化，验证了特征收益在2000年前的显著性。
摘要：
参数型投资组合策略可能会面临估计风险。我开发了一个广义的贝叶斯框架，该框架更新先验，从而得到一个关于特征倾斜和样本外回报的后验分布，这是与投资者效用函数一致的信念更新规则，不需要对回报生成过程进行建模。Gibbs后验是满足效用最大化条件下与先验最接近的Kullback-Leibler散度分布。后验的缩放参数λ控制数据相对于先验的权重。我开发了KNEEDLE算法来在样本内选择最优的λ*，通过权衡后验精度与数值脆弱性，消除了对样本外验证的需要。我将此应用于美国股票（1955-2024），并确认基于特征的收益在2000年前集中。我发现λ*在风险厌恶程度上有显著变化，并且依赖于更高阶矩。
英文摘要：
Parametric portfolio policies may experience estimation risk. I develop a generalized Bayesian framework that updates priors, delivering a posterior distribution over characteristic tilts and out-of-sample returns that is the unique belief-updating rule consistent with the investor's utility function, requiring no model for the return generating process. The Gibbs posterior is the closest distribution to the prior in Kullback-Leibler divergence subject to utility maximization. The posterior's scaling parameter $λ$ controls the weight placed on data relative to the prior. I develop a KNEEDLE algorithm to select optimal $λ^*$ in-sample by trading off posterior precision against numerical fragility, eliminating the need for out-of-sample validation. I apply this to U.S. equities (1955-2024), and confirm characteristic-based gains concentrate pre-2000. I find that $λ^*$ varies meaningfully with risk aversion and depends on higher-order moments.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
