基于合成投资者数据的逆组合优化：在不确定性下恢复风险偏好

本研究开发了一个逆组合优化框架，用于从观测到的组合配置中恢复潜在投资者偏好，包括风险厌恶、交易成本敏感性和 ESG 取向。利用受控的合成数据，我们评估了估计量的统计性质，如一致性、覆盖性和动态遗憾。该模型整合了鲁棒优化和基于遗憾的推断，以量化偏好误设和市场冲击下的福利损失。仿真实验表明，在随机波动和流动性冲击下，交易成本参数能被准确恢复，ESG 惩罚具有部分可识别性，且遗憾值呈次线性增长。真实数据演示（使用 ETF）证实交易成本冲击在福利影响上主导波动冲击。该框架因此提供了一个统计上严谨、经济上可解释的偏好推断与不确定性下组合设计工具。