最优投资组合构建——基于强化学习嵌入的贝叶斯层次风险平价方法（RL-BHRP）
投资组合管理
2025-08-19 v1
摘要
我们提出了两种水平的学习型投资组合方法（RL-BHRP），通过行业和股票层面分散风险，并根据市场条件调整敞口。我们使用2012年至2025年的美国股票，模型基于2012至2019年数据进行设计，2020至2025年进行样本外评估。我们将其与由交易所交易基金构建的行业指数以及静态风险平衡投资组合进行比较。在测试期间，自适应投资组合约为基准组合复利增长120%，静态对照组合为101%，行业基准为91%。平均年增长率约为15%，分别为13%和12%。该方法在不显著偏离基准的情况下实现收益，同时峰谷损失与替代方案相当，表明该方法在保持多元化和可操作性的同时也为实现更强和更稳定的长期业绩增值提供了支持。权重图显示，调整呈渐进式变化而非突变，反映出纪律化的再平衡和注重成本的设计。总体而言，结果支持风险平衡的自适应配置作为实现更强和更稳定长期业绩的实用方法。
引用
@article{arxiv.2508.11856,
title = {Optimal Portfolio Construction -- A Reinforcement Learning Embedded Bayesian Hierarchical Risk Parity (RL-BHRP) Approach},
author = {Shaofeng Kang and Zeying Tian},
journal= {arXiv preprint arXiv:2508.11856},
year = {2025}
}