投资组合优化包括选择资产权重以最小化风险回报目标,例如经典最小变量框架中的投资组合方差。 稀疏组合选择通过施加基数约束来扩展这一点:仅可能包含来自p宇宙的k资产。 标准方法将这个问题建模为混合整数二次程序,并依赖于商业求解器来找到最佳解决方案。 然而,这种方法的计算成本随着k和p的成倍增加而呈指数级增长,使它们对于即使是中等大小的问题也太慢了。 我们提出了一个基于梯度的快速和可扩展的梯度方法,通过布尔放松将组合稀疏选择问题转化为受约束的连续优化任务,同时保留与二进制点集上的原始问题等效。 我们的算法使用一个可调谐参数,将辅助目标从凸转变为凹函数。 这允许一个稳定的凸起始点,然后随着调谐参数的增加和向倨的客观移动,向稀疏的二进制解决方案的受控路径。 在实践中,我们的方法在大多数情况下与资产选择中的商业求解器相匹配,在极少数情况下,解决方案因少数资产而异,同时在投资组合差异中显示可忽略不计的错误。
本文探讨了使用深度学习长短期记忆(LSTM)模型进行准确的股价预测及其对投资组合设计的影响。 尽管有效的市场假设表明预测股价是不可能的,但最近的研究表明了高级算法和预测模型的潜力。 该研究建立在关于股价预测方法的现有文献的基础上,强调了向机器学习和深度学习方法的转变。 利用在印度NSE上市的18个板块的180只股票的历史股票价格,LSTM模型预测未来的价格。 这些预测指导每只股票的买入/卖出决策,并分析行业盈利能力。 该研究的主要贡献是三个方面:引入优化的LSTM模型,用于稳健的投资组合设计,利用LSTM对买入/卖出交易的预测,以及对行业盈利能力和波动性的见解。 结果证明了LSTM模型在准确预测股票价格和告知投资决策方面的功效。 通过比较行业盈利能力和预测准确性,这项工作为印度当前金融市场的动态提供了有价值的见解。
随机贴现系数(SDF)模型为资产定价和风险评估提供了一个统一的框架,但传统的配方难以纳入非结构化文本信息。 我们介绍了NewsNet-SDF,这是一个新颖的深度学习框架,通过对抗网络将预训练的语言模型嵌入与财务时间序列无缝集成。 我们的多模态架构使用GTE-多语言模型处理金融新闻,通过LSTM网络从宏观经济数据中提取时间模式,并使公司特征正常化,通过创新的对抗性训练机制融合这些异构信息来源。 我们的数据集包括大约250万篇新闻文章和10,000种独特的证券,解决了处理和将文本数据与财务时间序列对齐的计算挑战。 对美国股票数据(1980-2022)的实证评估表明,NewsNet-SDF大幅优于夏普比率为2.80的替代品。 该模型显示了与传统SDF实现相比的471个改进,与Fama-French五因素模型相比,定价错误为74个。 在综合比较中,我们的深度学习方法在所有关键指标中始终优于传统、现代和其他神经资产定价模型。 消融研究证实,与宏观经济特征相比,文本嵌入对模型性能的贡献要大得多,新闻派生的主要组成部分是SDF动力学最有影响力的决定因素之一。 这些结果验证了我们多模态深度学习方法在将非结构化文本与传统金融数据集成以进行更准确的资产定价方面的有效性,为金融科技中的数字化智能决策提供了新的见解。
我们研究了默顿在不完整市场中的预期效用最大化问题,其特征是除了股价过程之外的一个因素过程,其中所有模型原语都是未知的。 正在考虑的代理人是价格接受者,只能访问股票和要素价值过程以及瞬时波动。 我们提出了一个辅助问题,其中代理可以根据特定类别的高斯分布调用策略随机化,并证明其最优高斯策略的均值解决了最初的默顿问题。 通过随机化策略,我们正处于最近由Wang等人开发的连续时间强化学习(RL)领域。 (2020)和Jia和Zhou(2022a,2022b,2023),使我们能够以数据驱动的方式解决辅助问题,而无需估计模型原语。 具体来说,我们建立了一个策略改进定理,在此基础上,我们设计在线和离线演员-评论家RL算法,用于学习默顿的策略。 这项研究的一个关键见解是,RL,特别是政策随机化,除了探索的目的之外,它们是有用的 - 它们可以作为技术工具来解决一个不能仅仅通过确定性政策解决的问题。 最后,我们在随机波动环境中进行模拟和实证研究,以证明设计中的RL算法与传统基于模型的插件方法相比具有决定性的表现。
投资组合优化需要通过在动态市场条件下平衡风险和回报权衡来动态分配资金。 随着人工智能的最新发展,深度强化学习(DRL)在为投资组合优化提供自适应和可扩展策略方面获得了突出地位。 然而,这些策略的成功不仅取决于它们适应市场动态的能力,还取决于影响整体投资组合表现的资产的谨慎预选。 纳入投资者在投资组合中预选资产的偏好对于完善其投资策略至关重要。 这项研究提出了一个基于波动性引导的基于DRL的投资组合优化框架,该框架根据投资者的风险状况动态构建投资组合。 广义自动回归条件异质性(GARCH)模型用于股票的波动性预测,并根据它们的波动性将其分类为侵略性,温和和保守。 然后,DRL代理通过与历史市场数据交互来学习最佳投资政策。 拟议方法的有效性是使用道指30指数的股票建立的。 拟议的基于投资者的基于DRL的投资组合通过产生一致的风险调整收益,优于基准策略。
我们重新审视了贝叶斯黑-利特曼(BL)投资组合模型,并消除了对主观投资者观点的依赖。 经典BL需要投资者的“观点”:预测向量q及其不确定性矩阵Ω,描述所选投资组合应该超过市场的程度。 我们的关键思想是将(q,Ω)视为潜在的变量,并从单个贝叶斯网络中的市场数据中学习。 因此,由此产生的后估计允许闭式表达式,从而实现快速推理和稳定的投资组合权重。 在这些基础上,我们提出了两种机制来捕捉特征如何与回报相互作用:共享潜在参数化和特征影响的观点;两者都恢复经典的BL和Markowitz投资组合作为特殊情况。 从经验上讲,在30年期道琼斯指数和20年期股票ETF数据上,我们将夏普比率提高了50个指数基线。 这项工作将 BL 变成一个完全数据驱动、无视图和连贯的贝叶斯框架,用于投资组合优化。
人工智能(AI)技术,特别是大型语言模型(LLM)在金融领域的整合引起了越来越多的学术关注。 尽管取得了进展,但现有的研究主要集中在财务文本总结,问答和股票走势预测(二进制分类)等任务上,LLM在金融风险预测中的应用仍然未被探索。 解决这一差距,在本文中,我们介绍了RiskLabs,这是一个利用LLM分析和预测金融风险的新框架。 RiskLabs独特地集成了多模态金融数据,包括来自收益会议呼叫(ECC)的文本和声音信息,市场相关时间序列数据以及上下文新闻数据,以改善金融风险预测。 经验结果表明,RiskLabs在预测市场波动和差异方面的有效性。 通过比较实验,我们研究了不同数据源对财务风险评估的贡献,并强调了LLM在这一过程中的关键作用。 我们还讨论了使用LLM进行财务风险预测相关的挑战,并探讨了为此目的将其与多模态数据相结合的潜力。
如何将有限的资源分配给将产生最大长期效益的项目是不确定性下决策中经常出现的问题。 例如,组织可能需要评估和选择具有风险回报的创新项目。 同样,在为研究项目分配资源时,供资机构的任务是根据特殊标准确定最有希望的建议。 最后,在参与式预算编制中,当地社区可能需要选择一部分公共项目来资助。 无论背景如何,代理商都必须估计潜在大量项目的不确定值。 开发比较这些项目的吝啬方法,并汇总代理评估,使整体效益最大化,对于组装最佳项目组合至关重要。 与标准排序算法不同,在不确定的长期效益的基础上评估项目会带来额外的复杂性。 我们根据Quicksort和Bradley-Terry模型提出了比较规则,该模型将排名与配对“赢”概率联系起来。 在我们的模型中,每个代理根据他或她对项目长期利益的具体评估来确定一对项目的胜算。 然后,获胜概率被适当地聚合并用于对项目进行排名。 我们提出的几种方法比目前可用的两种最有效的聚合方法表现更好。 此外,我们的方法可以与采样技术相结合,以显着减少配对比较的数量。 我们还讨论了如何在实践中实施Bradley-Terry投资组合选择方法。
仿真方法在金融领域一直起着重要作用,数据驱动方法具有最小的模型规范,通常称为生成模型,引起了越来越多的关注,特别是在深度学习在广泛领域取得成功之后。 然而,这些模式在金融应用中的采用与日益增长的兴趣并不匹配,这可能是由于金融市场的独特复杂性和挑战。 本文有助于更深入地了解生成模型的局限性,特别是在投资组合和风险管理方面。 为此,我们首先介绍初始样本量重要性的理论结果,并指出生成比最初可用的数据多的潜在陷阱。 然后,我们通过触及一个悖论来强调模型开发的不可分割的性质和期望的用途:通常的生成模型本质上不太关心构建投资组合(特别是长短模型)的重要性。 基于这些发现,我们提出了一条多变量回报的管道,该管道符合美国股票大领域的传统评估标准,同时符合资产回报中观察到的程式化事实,并扭转我们之前确定的陷阱。 此外,我们坚持需要更准确的评估方法,并建议通过平均回归策略的例子,一种旨在识别基于反流训练的给定应用程序的不良模型的方法,即使用其本身生成的数据重新训练模型,这在统计学中通常被称为可识别性。
我们生活在一个多变量的世界中,有效的金融投资组合建模,包括其构建,分配,预测和风险分析,如果不明确建模其资产的依赖结构,就不可能实现。 依赖性结构可以比投资和风险模型中的许多其他参数更多地推动投资组合结果,有时甚至超过其综合效应,但文献提供的相对较少,可以在具有挑战性的现实世界的金融数据条件下以可用和有用的方式定义依赖措施的有限样本分布。 然而,这正是对他们的估计做出有效推断所需要的,并将这些推断用于无数基本目的,例如假设测试,动态监测,现实和粒度情景和反向情景分析,以及减轻市场动荡期间相关性崩溃的影响(这是我们最需要有效推断的时候)。 这项工作开发了一种新的直接方法,非参数角度相关性(NAbC),用于定义任何依赖度测量的有限样本分布,其成对关联矩阵是正定的(例如。 Pearsons,Kendalls Tau,Spearmans Rho,Chatterjees,Lancasters,Szekelys及其许多变体。 该解决方案在边际资产分布下仍然有效,其特征是序列相关性明显不同和不同程度的序列相关性,非静态性,重尾性和不对称性。 值得注意的是,NAbCs p值和置信区间在基质水平和成对细胞水平上都保持分析一致。 最后,NAbC即使在矩阵中选定的单元格被冻结用于给定情景或压力测试时也保持有效性,即受场景影响,从而实现灵活,粒度和现实的场景。
由于传统均值模型的灵敏度,投资组合优化面临挑战。 Black-Litterman模型通过整合投资者观点来缓解这种情况,但定义这些观点仍然很困难。 这项研究探讨了使用Black-Litterman框架将大型语言模型(LLM)生成的视图集成到投资组合优化中。 我们的方法利用LLM来估计历史价格和公司元数据的预期股票回报,通过预测的差异来纳入不确定性。 我们从2024年6月至2025年2月对LLM优化投资组合进行了回溯测试,使用前两周的价格数据重新平衡了双周。 作为基线,我们比较了S P 500,一个相等加权的投资组合,以及使用同一组股票构建的传统均变量优化投资组合。 经验结果表明,不同的LLM表现出不同程度的预测乐观和信心稳定性,这会影响投资组合的表现。 源代码和数据可查阅https://github.com/youngandbin/LLM-MVO-BLM。
由于该行业的安全和商业问题,现有的投资组合管理方法通常是黑箱模型。 然而,每当市场状况或内部交易策略发生变化时,它们的表现可能会有很大差异。 此外,评估这些不透明的系统是昂贵的,某些预算限制了对系统的观察。 因此,在控制这些金融系统潜在风险的同时优化绩效已成为一项关键挑战。 这项工作提出了一个新的贝叶斯优化框架,在有限的观察下优化黑箱投资组合管理模型。 在传统的贝叶斯优化设置中,客观功能是最大化性能指标的预期。 然而,简单地最大化性能预期会导致不稳定的优化轨迹,从而加剧投资组合管理中的风险积累。 同时,这可能导致目标分布与黑箱模型的实际分布之间的错位。 为了减轻这个问题,我们提出了一个考虑双重目标的自适应权重拉格朗日估计器,其中包括最大化模型性能和最小化模型观测的方差。 广泛的实验证明了我们的方法在五个背测设置中的优越性,具有三个黑箱股票组合管理模型。 消融研究进一步验证了拟议估算器的有效性。
No more items to load.