Neural Network-Driven Volatility Drag Mitigation under Aggressive Leverage
创建于 更新于
摘要
本论文提出一种端到端的紧凑神经网络用于全球最小方差投资组合优化，其核心在于将模型复杂度与回看窗口长度、资产Universe规模解耦。通过五参数的双曲加权移动平均及饱和指数替代原始的滞后变换层，并以双向GRU的Eigencleaning以及简化的边际波动网络降低学习参数数量，从约4万降至约2千。在样本外对比状态-of-the-art的非线性收缩与风险平价基准时，该紧凑网络在不牺牲期望收益的前提下实现最低方差，并在杠杆条件下保留良好的回撤控制。结合高保真交易模拟（考虑保证金调用动态）验证了该方法对过度杠杆的鲁棒性。总体而言，该结果表明端到端的方差最小化架构可以在显著降低参数数量的同时实现稳健的资本效率提升与风险调整性能。 [page::1]
