金融指数跟踪问题建模方法的综合综述与分析
计算与语言
2026-04-14 v2
摘要
指数跟踪，也称为被动投资，因其成本效益高、能高效复制特定市场指数表现而在金融市场中获得显著关注。本综述提供了各种为指数跟踪开发的建模方法与策略的全面概述，突出每种方法的优势与局限。我们将指数跟踪模型分为三大框架：优化导向模型、统计导向模型和机器学习数据驱动方法。对 S&P 500 数据集进行的全面实证研究表明，在优化导向框架下，跟踪误差波动模型实现了最精确的指数跟踪；在统计导向框架下，凸共轭模型实现了最佳的收益-风险平衡；在数据驱动框架下，采用固定噪声的深度神经网络提供了具竞争性能的模型，显示出显著的低换手率和高计算效率。通过结合现有文献的批判性综述与比较实证分析，本文旨为投资者和基金经理提供关于指数跟踪不断演变的景观及其实际意义的见解。
引用
@article{arxiv.2601.03926,
title = {Doc-PP: Document Policy Preservation Benchmark for Large Vision-Language Models},
author = {Haeun Jang and Hwan Chang and Hwanhee Lee},
journal= {arXiv preprint arXiv:2601.03926},
year = {2026}
}
备注
ACL 2026 Findings