Portfolio Optimization under Dynamic Rebalancing via Topological Data Analysis and News Sentiments
创建于 更新于
摘要
本研究将拓扑数据分析（TDA）与新闻情感结合，融合多源特征（RSI、SO、MACD及FinBERT情感分数）构建资产的四维点云表征，通过PD与PL的拓扑总结来计算资产之间的非线性相似性，并在聚类筛选后以带交易成本约束的动态均值-方差（DRMV）框架进行滚动窗口再平衡。情感信息提升了资产表征与聚类质量，显著提升了在样本内外的回报与风险调整性，同时通过保留机制降低轮换成本并增强组合稳定性。实证结果基于标普500成分股，在3/5/10日再平衡设定下，TDA基准的组合相较于相关性与欧氏距离方法及若干基准策略，呈现更高的平均收益、夏普及STARR等风险调整指标，且在冲突期等市场动荡时具有更好的鲁棒性。 [page::0][page::2]
