基于神经网络的风险预算投资组合端到端优化
投资组合管理
2021-07-13 v1 计算金融
摘要
投资组合优化一直是金融学中的核心问题，通常采用两步法：先校准参数，再求解优化问题。然而，两步法有时会遇到“误差最大化”问题，即参数估计的不准确会转化为不明智的资产配置决策。在本文中，我们将预测与优化任务结合在单一前馈神经网络中，并实现端到端方法，直接从输入特征学习投资组合配置。我们包含两种端到端投资组合构建方式：无模型网络与基于模型的网络。无模型方法被视为黑箱，而在基于模型的方法中，我们学习资产的最优风险贡献，并通过嵌入神经网络中的隐式优化层求解配置。当以最大化夏普比率作为训练目标函数时，基于模型的端到端框架在样本外（2017–2021）测试中表现出稳健性能，实现夏普比率 1.16，而名义风险平价为 0.79、等权固定混合为 0.83。注意到基于风险的组合可能对底层资产范围敏感，我们开发了嵌入神经网络中带随机门的资产选择机制，以防止组合受到低收益低波动资产的损害。带过滤器的门控端到端方法优于采用朴素过滤机制的名义风险平价基准，将样本外期间（2017–2021）的夏普比率在市场数据中提升至 1.24。
引用
@article{arxiv.2107.04636,
title = {End-to-End Risk Budgeting Portfolio Optimization with Neural Networks},
author = {Ayse Sinem Uysal and Xiaoyue Li and John M. Mulvey},
journal= {arXiv preprint arXiv:2107.04636},
year = {2021}
}