面向个性化资产配置的统计学习
机器学习
2022-11-09 v3 统计理论
统计理论
摘要
我们建立了一个面向个性化资产配置的高维统计学习框架。我们提出的方法处理了具有大量特征的连续动作决策问题。我们开发了一种离散化方法来建模连续动作的影响，并允许离散化频率较大且随观测数量发散。连续动作的价值函数通过使用带惩罚回归进行估计，其中我们提出了施加于模型系数线性变换上的广义惩罚。我们证明了我们提出的离散化与带广义折叠凹间断效应惩罚的回归（DROVE）方法具有良好的理论性质，并允许对与最优决策相关的最优值进行统计推断。在实证中，所提出的框架利用健康与退休研究（Health and Retirement Study）数据来寻找个性化最优资产配置。结果表明，我们的个性化最优策略改善了总体金融福祉。
引用
@article{arxiv.2201.07998,
title = {Statistical Learning for Individualized Asset Allocation},
author = {Yi Ding and Yingying Li and Rui Song},
journal= {arXiv preprint arXiv:2201.07998},
year = {2022}
}