基于 Epstein-Zin 偏好在多资产长期风险模型下的时序对冲需求：投影 Pontryagin 指导的深度策略优化证据

本文研究在 Epstein--Zin（EZ）递归偏好下，针对连续时间多资产长期风险（LRR）模型中的时序对冲需求。投资者交易风险资产和多个风险资产，这些资产的漂移和波动率取决于 Ornstein--Uhlenbeck 类型 LRR 因子。偏好由 EZ utility 描述，包含风险厌恶系数 $R$、时序替代弹性 $\psi$ 以及贴现率 $\delta$，其中标准时间可加 CRRA 案例可作为极限基准。为处理高维消费-投资问题，本文采用适用于 EZ 偏好的投影 Pontryagin 指导深度策略优化（P-PGDPO）方案。该方法从连续时间哈特顿函数出发，通过神经网络表示价值过程和代数过程，并沿哈特顿梯度更新政策。通过显式投影算子实现组合约束和财富下界，而非通过添加 ad hoc �罚函数。从五资产 LRR 经济中的数值实验中得出三项主要发现：\textbf{(1)} P-PGDPO 算法在多个随机种子上实现稳定收敛，验证了其在解决高维 EZ 问题中的可靠性；\textbf{(2)} 财富下限显著降低对冲需求，通过限制投资者利用时序风险-收益权衡的能力；\textbf{(3)} 所学到的对冲投组合集中于与 LRR 因子高度相关的资产，确认 EZ 代理人积极对冲长期不确定性，而非仅遵循短视规则。由于 EZ 偏好在极限 $\psi \to 1/R$ 时嵌入时间可加 CRRA，本文使用 CRRA 作为显式诊断基准，并在必要时作为高维训练的温和启动。