基于残差因子分布预测的深度学习投资组合优化
投资组合管理
2020-12-15 v1 机器学习
摘要
深度学习技术的近期发展推动了机器学习辅助股票交易策略的密集研究。然而，由于金融市场具有高度非平稳性，阻碍了典型的数据饥渴型机器学习方法的应用，利用金融归纳偏置对于确保更好的样本效率和鲁棒性十分重要。在本研究中，我们提出了一种基于预测称为残差因子（residual factors）的金融量分布来构建投资组合的新方法，该量已知通常有助于对冲对共同市场因子的风险敞口。关键技术要素有两点。首先，我们引入了一种计算高效的残差信息提取方法，其可轻松与各种预测算法结合。其次，我们提出了一种新颖的神经网络架构，使我们能够纳入被广泛认可的金融归纳偏置，如幅度不变性和时间尺度不变性。我们在美国和日本股票市场数据上展示了我们方法的有效性。通过消融实验，我们还验证了每种单独技术都有助于提升交易策略的性能。我们预期我们的技术可能在各种金融问题中具有广泛应用。
引用
@article{arxiv.2012.07245,
title = {Deep Portfolio Optimization via Distributional Prediction of Residual Factors},
author = {Kentaro Imajo and Kentaro Minami and Katsuya Ito and Kei Nakagawa},
journal= {arXiv preprint arXiv:2012.07245},
year = {2020}
}