基于概率效用、贝叶斯统计与马尔可夫链蒙特卡罗方法的组合投资选择
凝聚态物理
2009-09-29 v1
摘要
我们提出了一种新的组合投资选择方法，旨在缓解标准期望效用最大化方法所固有的诸多问题。该方法的优势在于：最优组合不再被定义为对某一效用函数的极值，而是将该效用函数重新解释为最优组合概率分布的对数likelihood，其选取的组合被定义为该分布的期望值。进一步的理论层面是采用贝叶斯推断框架。我们发现，该方法在与标准期望效用最大化相比较时具有若干有利特性。我们消除了对外部参数过度敏感的问题，这是优化程序中常见的困扰，同时获得一种自然且自洫的方式来处理知识中的不确定性以及个人观点的考虑。我们使用人工数据测试所提出的方法，以模拟有限样本行为，与传统的期望效用最大化方法进行比较，发现本方法的性能优越。所有数值积分均采用马尔可夫链蒙特卡罗方法实现，其中链的生成采用改进的混合型马尔可夫链蒙特卡罗方法。我们针对由历史时间序列（从1988年1月至2002年1月）构成的八资产组合 presented numerical results.
引用
@article{arxiv.cond-mat/0211480,
title = {Portfolio Selection with Probabilistic Utility, Bayesian Statistics and Markov Chain Monte Carlo},
author = {P. Rossi and M. Tavoni and F. Cocco and R. Marschinski},
journal= {arXiv preprint arXiv:cond-mat/0211480},
year = {2009}
}
备注
27 pages, 4 figures, submitted to Quantitative Finance