Non-Convex Portfolio Optimization via Energy-Based Models: A Comparative Analysis Using the Thermodynamic HypergRaphical Model Library (THRML) for Index Tracking
创建于 更新于
摘要
本文提出将有基数约束的指数跟踪问题表述为对 Ising 哈密顿量的概率推断，利用 THRML 的 GPU 加速块 Gibbs 采样从 Boltzmann 分布中抽样高质量组合，提出动态 VIX 适应耦合、重平衡偏置权重与行业感知后处理等三项创新，从而在 2023–2025 的 100 股票回测中实现 4.31% 年化跟踪误差与 128.63% 总回报，且对比基线在统计上显著优越 [page::8][page::6]
