科学研究

席文治,李占风,宋心远,宁瀚文:Online portfolio selection with predictive instantaneous risk assessment

发布者:吴志伟发布时间:2024-10-21浏览次数:10

【学术期刊】 Pattern Recognition》,2023年第144卷

作者简介】宁瀚文,我校正规beat365旧版绿色教授,博士生导师。主要研究方向是机器学习,深度学习与计量经济学交叉,金融统计。在统计学和人工智能权威期刊发表多篇文章,并主持过多项国家自然科学基金和国家社会科学基金。 李占风,我校正规beat365旧版绿色教授、博士生导师,研究方向为金融统计、经济计量分析。席文治,我校正规beat365旧版绿色金融统计学专业博士研究生。宋心远中国香港中文大学统计学系的全职教授中国教育部授予的“长江学者”特聘教授、国际数理统计学会(IMS)会士、国际统计学会(ISI)当选会员。

主要观点】在线投资组合选择(OPS)越来越受到机器学习和量化金融领域的关注。尽管现有的和开创性的OPS方法是有效的,但它们仍存在几个关键的局限。首先,价格预测通常基于预先确定的趋势,这对于快速变化的市场模式而言是不够的。其次,每个资产都被单独处理,忽略了资产之间普遍存在的相关性。第三,风险项在优化过程中通常缺失或者是不合适的。本文提出了一种新的OPS方法——在线低维集成方法(online low-dimension ensemble method, OLDEM),以克服这些局限性。受到资产价格联动性这个典型事实的驱动,本文将金融市场视作一个高维动态系统(HDS),从HDS中随机生成大量的低维子系统(LDSs),提取资产之间的相关信息。首先,使用LDSs进行资产的价格预测,然后使用集成学习技术聚合各预测值,形成最终的预测。由于本文的价格预测方案所带来的独特的优势,本文还开发了一种新的高维协方差矩阵估计/预测方法,有效地评估目标投资组合的瞬时风险。与最先进的方法相比,本文提出的OLDEM方法实现了更准确的预测。通过预测性瞬时风险评估,提出了一个更合适的优化问题,大大改善了OPS设置,并显著提高了投资性能。因此,本研究开发了一种灵活而有前景的方法来学习快速变化的市场模式,并证明了市场的高维特征是短期数据金融建模的关键信息来源,而不是传统意义上的障碍。本文在真实数据集上进行的大量的实验进一步验证了OLDEM方法的有效性。

 


Baidu
sogou