面向 Wasserstein-DRO CVaR 投资组合的移位感知高斯-至上验证

我们研究了在分布迁移和序列依赖条件下进行的以条件价值-at-risk (CVaR) 为约束的投资组合选择问题。虽然 Wasserstein 分布鲁棒优化 (DRO) 通过围绕经验数据的模糊球提供可实现的保护，但选择球半径颇为棘手：过大的半径会导致保守，过小的半径则在制度变化时风险违反。我们提出了一种面向 Wasserstein-DRO CVaR 投资组合的移位感知高斯-至上 (GS) 验证框架，建立在 Lam 和 Qian (2019) 的工作基础上。该框架的第一阶段通过在 Wasserstein 半径网格上求解鲁棒 CVaR 约束的精确重构来生成候选路径。第二阶段通过密度比重新加权时间有序验证折叠，计算加权 CVaR 估计，并通过块乘子自助法校准同时上置置信带，以-account for 依赖性。我们选择最不保守的可行投资组合（或在有效样本量崩溃时放弃）。在理论上，我们将归一化 GS 验证器扩展到非 i.i.d. 金融数据：在加弱依赖和加权得分的规整性条件下，任何通过我们验证器的投资组合都以至少 $1-\beta$ 的概率满足在 $Q$ 下的 CVaR 限制；Wasserstein 项贡献确定性边际 $(\delta/\alpha)\|x\|_*$。实证结果表明，相对于naive基准，本方法在收益-风险权衡方面表现更佳。