超越简单效用函数的投资组合管理

虽然投资基金公开披露其目标，但经理人们会针对超越简单风险收益权衡的复杂竞争目标进行优化。传统方法通过多目标效用函数来建模，但在规格和参数化方面面临根本性挑战。我们提出了一个生成框架，通过学习基金经理策略的潜在表征，而无需明确指定效用函数。我们的 метод直接建模基金组合权重的条件概率，基于股票特征、历史收益、先前权重以及代表基金策略的潜在变量。不同于基于强化学习或模仿学习的方法需要指定奖励或标注专家目标，我们的GAN-based架构直接从观察到的持仓和市场数据的联合分布中学习。我们在1436只美国股票共轨基金的数据集上对框架进行了验证。所学得的表征成功地捕捉了已知的投资风格，如“增长”和“价值”，同时也揭示了隐式的经理目标。例如，我们发现许多基金表现出类似Markowitz的优化，但其在换手率、集中度和潜在因子方面存在异质性实现。为分析和解释端到端模型，我们开发了一系列测试，表明基准的专家标注在模型的编码中以线性可解释的方式包含其中。我们的框架为 characterize 投资策略提供了数据驱动的方法，可用于市场模拟、策略归因和监管监督。