基于$L_{1/2}$模型与算法的稀疏指数跟踪
最优化与控制
2015-06-22 v1
摘要
近来，正则化已引起广泛关注，并成功应用于均值方差投资组合选择中，以提升样本外性质并降低交易成本。然而，在具有预算与禁止卖空约束的指数跟踪中，正则化方法在促进稀疏性与选择正则化参数方面无效，因为资产权重的1-范数将具有恒定值1。我们近期关于正则化的研究发现，带有最优正则化参数设置策略的半阈值算法是正则化的快速求解器，其能提供更稀疏的解。本文将正则化方法应用于股票指数跟踪，并建立一种新的稀疏指数跟踪模型。提出一种混合半阈值算法用于求解该模型。模型与算法的实证检验在来自OR-library的八个数据集上进行。由新模型与算法获得的最优跟踪投资组合具有更低的样本外预测误差以及样本内与样本外间的一致性。此外，由于针对固定数量的最优投资组合自动选择正则化参数，我们的算法是一个快速求解器，尤其对于大规模问题。
引用
@article{arxiv.1506.05867,
title = {Sparse Index Tracking Based On $L_{1/2}$ Model And Algorithm},
author = {Fengmin Xu and Zongben Xu and Honggang Xue},
journal= {arXiv preprint arXiv:1506.05867},
year = {2015}
}