• 论文 • 上一篇    下一篇

 基于集成学习的在线高维投资组合策略

黄嵩,倪宣明,钱龙,张俊超   

  1. 北京大学软件与微电子学院, 北京 100871
  • 出版日期:2020-01-25 发布日期:2020-04-29

黄嵩,倪宣明,钱龙,张俊超.  基于集成学习的在线高维投资组合策略[J]. 系统科学与数学, 2020, 40(1): 29-40.

HUANG Song,NI Xuanming,QIAN Long,ZHANG Junchao. Large-Dimensional Online Portfolio Strategy Based on Ensemble Learning[J]. Journal of Systems Science and Mathematical Sciences, 2020, 40(1): 29-40.

Large-Dimensional Online Portfolio Strategy Based on Ensemble Learning

HUANG Song ,NI Xuanming ,QIAN Long ,ZHANG Junchao   

  1. School of Software and Microelectronics, Peking University, Beijing 100871
  • Online:2020-01-25 Published:2020-04-29

文章结合机器学习中的交叉验证、在线学习和集成学习方法, 对基于不同高维协方差估计量的投资策略权重进行动态组合, 以获得优于传统投资组合策略的样本外表现. 基于这一目标, 文章对机器学习中比较前沿的在线加权集成(online weighted ensemble, OWE) 算法的样本更新方式、学习模型和目标函数进行了替换和修改, 改进后的mixed-OWE算法能够更好地适用于多组合的动态混合策略投资. 通过数值模拟, 文章将mixed-OWE应用在基于二次效用目标函数的投资问题上, 结果表明其样本外表现优于传统静态方法. 随后, 文章进一步使用A股近10年的数据作为样本对mixed-OWE进行了全局最小方差组合投资, 经过一定的参数调整后, mixed-OWE策略实现的组合方差优于其成分组合以及等权重组合.

To acquire better out-of-sample performance than traditional portfolio strategies, this paper mainly adopts machine learning techniques such as cross-validation, online learning and ensemble learning to dynamically combine different portfolio weights based on several large-dimensional covariance estimators. In order to achieve this goal, we select a state-of-art online weighted ensemble (OWE) algorithm in machine learning domain and adjust its way of updating data stream, learning models and objective function. The new mixed-OWE algorithm can be better used to perform investment based on multi-portfolio dynamic combination. Through numerical simulation, we adopt the mixed-OWE on solving a portfolio investment problem based on quadratic utility target function. The result shows that the out-of-sample performance of mixed-OWE is slightly better than traditional static methods. Then, we use real data of A-share over the last ten-years to test the performance of mixed-OWE and the result shows that after some parameter adjustments, it can outperform its component portfolios and 1/$N$ portfolio.

()
[1] 钱龙, 韦江, 赵慧敏, 倪宣明. 基于AdaBoost的投资组合优化[J]. 系统科学与数学, 2022, 42(2): 271-286.
[2] 崔金鑫, 邹辉文. 国际股市间动态相依性及高阶矩风险溢出效应研究[J]. 系统科学与数学, 2021, 41(4): 976-1006.
[3] 侯胜杰, 关忠诚, 董雪璠. 基于熵和CVaR的多目标投资组合模型及实证研究[J]. 系统科学与数学, 2021, 41(3): 640-652.
[4] 孙会霞,倪宣明,钱龙,赵慧敏. 基于长期CVaR约束的高频投资组合优化[J]. 系统科学与数学, 2021, 41(2): 344-360.
[5] 钱艺平, 林祥, 操君陶.  离散时间多期两个投资者之间的合作投资选择博弈[J]. 系统科学与数学, 2021, 41(11): 3109-3127.
[6] 倪宣明, 邱语宁, 赵慧敏. 基于因子特征的高维稀疏投资组合优化[J]. 系统科学与数学, 2021, 41(10): 2716-2729.
[7] 刘丽萍, 吕政. 基于高维高频金融数据的最小方差组合风险的估计及应用[J]. 系统科学与数学, 2021, 41(10): 2948-2964.
[8] 钱艺平,林祥,吴小平. 离散时间多期机构投资者之间的竞争与资产专门化[J]. 系统科学与数学, 2020, 40(7): 1205-1223.
[9] 周忠宝,刘湘晖,肖和录,刘文斌. 基于线性反馈策略的多阶段均值-方差投资组合优化[J]. 系统科学与数学, 2018, 38(9): 1018-1035.
[10] 刘丽萍. 高维投资组合风险的估计[J]. 系统科学与数学, 2018, 38(8): 919-930.
[11] 熊熊,孟永强,李冉,沈德华. 特质波动率与股票收益------基于Fama-French五因子模型的研究[J]. 系统科学与数学, 2017, 37(7): 1595-1604.
[12] 马娟,樊顺厚,常浩. Heston模型下基于HARA效用准则的资产-负债管理策略[J]. 系统科学与数学, 2017, 37(5): 1259-1271.
[13] 赵大萍,王杨孜,高杰英. 基于GARCH类模型的空头市场情景生成与投资组合[J]. 系统科学与数学, 2017, 37(5): 1287-1299.
[14] 郑效晨,刘愈琳,曹晓旭. 对冲通货膨胀风险的投资组合策略求解[J]. 系统科学与数学, 2016, 36(8): 1214-1225.
[15] 吴雷,方卿. 基于改进粒子群算法的学习路径优化方法[J]. 系统科学与数学, 2016, 36(12): 2272-2281.
阅读次数
全文


摘要