长期投资组合策略的集成：面向决策与算法的无分布假设的偏好框架

本文探讨了如何通过集成多个序列投资组合策略，以实现相对于单个策略在长期财富上的超越。由于未来市场中策略表现的不确定性，这些策略往往基于特定模型和统计假设，投资者常通过组合多个策略来缓解风险并增强鲁棒性，这类似于集体学习预测中的常见做法。然而，缺乏无分布假设且一致的偏好框架，使得组合决策受困于目标模糊。为此，我们引入了一个独立于市场条件的决策框架，通过建立投资者在决策之间的偏好关系，从而形成明确的目标。通过该框架，我们提出了一种组合策略构建方法，无需统计假设，可适用于任意规模的组件策略，甚至是无限数量的策略，从而满足既定准则。最后，我们测试了所提出的策略及其加速变体以及其他多策略方法。数值实验结果表明，所提出的策略（尽管在夏普比率上存在一定权衡）最终的累计财富超过了最佳组件策略，而加速策略显著改善了性能。