Learning to Manage Investment Portfolios beyond Simple Utility Functions
Maarten P. Scholl, Mahmoud Mahfouz, Anisoara Calinescu, J. Doyne Farmer
虽然投资基金公开披露其目标,但其经理优化了竞争目标的复杂组合,这些目标超越了简单的风险回报权衡。 传统方法试图通过多目标实用函数来建模,但在规范和参数化方面面临根本性的挑战。 我们提出了一个生成框架,学习基金经理策略的潜在表示,而无需明确的实用规范。 我们的方法直接模拟了基金投资组合权重的条件概率,给定的股票特征,历史回报,以前的权重以及代表基金策略的潜在变量。 与基于强化学习或模仿学习的方法不同,这需要指定的奖励或标记的专家目标,我们的基于GAN的架构直接从观察到的持有量和市场数据的联合分布中学习。 我们在1436个美国股票共同基金的数据集上验证我们的框架。 学到的陈述成功地抓住了已知的投资风格,如“增长”和“价值”,同时也揭示了隐含的经理目标。 例如,我们发现,虽然许多基金表现出类似Markowitz的优化特征,但它们在周转、集中和潜在因素的异质实现中也是如此。 为了分析和解释端到端模型,我们开发了一系列解释模型的测试,我们表明基准的专家标签以线性可解释的方式包含在我们模型的编码中。 我们的框架提供了一种数据驱动的方法,用于在市场模拟、战略归因和监管监督中应用表征投资策略。
While investment funds publicly disclose their objectives in broad terms, their managers optimize for complex combinations of competing goals that go beyond simple risk-return trade-offs. Traditional approaches attempt to model this through multi-objective utility functions, but face fundamental challenges in specification and parameterization. We propose a generative framework that learns latent representations of fund manager strategies without requiring explicit utility specification. Our app...
