范数惩罚均值-方差投资组合的数据驱动集成
最优化与控制
2022-11-30 v2 计算金融
投资组合管理
摘要
均值-方差优化（MVO）已知对其输入中的估计误差敏感。对 MVO 问题进行范数惩罚是一种正则化技术，可缓解估计误差的不利影响。我们用参数化的 与 范数惩罚函数的凸组合扩充标准 MVO 问题。所得问题是一个参数化二次规划（QP），其对偶为盒约束 QP。我们利用可微 QP 的神经网络架构最新进展，提出了一种数据驱动框架，用于优化参数化范数惩罚以最小化下游 MVO 目标。我们提出了一种通过隐式微分对偶规划来计算最优原始解相对于参数化 范数惩罚的导数的新技术。随后从最优对偶变量恢复原始解。使用美国股票与全球期货数据的历史模拟展示了数据驱动优化方法的益处。
引用
@article{arxiv.2112.07016,
title = {Data-driven integration of norm-penalized mean-variance portfolios},
author = {Andrew Butler and Roy H. Kwon},
journal= {arXiv preprint arXiv:2112.07016},
year = {2022}
}