Scaling Conditional Autoencoders for Portfolio Optimization via Uncertainty-Aware Factor Selection
创建于 更新于
摘要
本文提出将高维Conditional Autoencoder与基于预测不确定性的因子筛选相结合的可扩展框架：先由CAE抽取高维潜在因子（K可达50），再用三种预测器（IID-BS、Q-Boost、ZS-Chronos）估计因子的一步前瞻分位数以衡量不确定性，按不确定性升序保留最可预测的κ个因子并在因子空间构建切线组合，从而显著提升风险调整后收益并降低最大回撤；此外，基于性能加权的模型集合进一步优于单一模型，且自适应κ选择在实证（2000–2024）中展现稳定性与抗压能力 [page::1][page::3][page::6]
