基于负相关集成学习的投资组合优化

发布时间：2022-09-17 11:34

　　主要利用集成学习中的负相关学习思路构建了一种集成全局方差最小化（EGMV）的投资组合策略.作为机器学习领域最常用的工具之一,集成学习一般用于提升一些弱学习器的表现,其中负相关学习通过主动制造多个具有差异性的弱学习器并进行加权来提升预测效果.借鉴这一思路,在原始GMV优化问题的基础上引入了制造差异性的惩罚项,从而使EGMV能够同时输出多个差异化GMV权重估计量,随后进行等权加权以对冲估计误差.基于A股2000-2019年全样本股票日收益率数据,将EGMV与多个经典投资组合策略进行了夏普率和换手率的对比,发现EGMV相比于原始GMV能够实现比较明显的样本外提升,表明集成学习框架能够被用于提升经典投资组合策略的表现. 

【文章页数】：6 页

【文章目录】：
1 引言
2 理论模型
3 实证研究
    3.1 研究设计
    3.2 研究结果
4 结论


【参考文献】：
期刊论文
[1]基于集成学习的在线高维投资组合策略[J]. 黄嵩,倪宣明,钱龙,张俊超.  系统科学与数学. 2020(01)
[2]高频数据下高维协方差阵的RCM算法估计与应用[J]. 倪宣明,钱龙,赵慧敏,黄嵩.  系统工程理论与实践. 2019(08)
[3]基于相对鲁棒CVaR的电网投资项目组合优化模型研究[J]. 杜英,苟全峰,杨杰,何璞玉,骞亚玲,杨佳澄.  数学的实践与认识. 2019(09)



本文编号：3679151