Mean-Variance Portfolio Selection in Long-Term Investments with Unknown Distribution: Online Estimation, Risk Aversion under Ambiguity, and Universality of Algorithms
创建于 更新于
摘要
本报告提出了一种在线学习框架下的动态均值-方差（M-V）投资策略，解决了未来资产收益分布未知、参数估计误差导致传统方法表现下降的问题。报告证明，在无冗余资产的市场中，基于动态参数更新的M-V策略，其经验效用、夏普比率及财富增长率可渐近达到知晓真实分布时的最优策略水平。特别针对正态分布市场，风险厌恶系数调整与增长率提升的关系被理论化。此外，提出了带风险厌恶动态更新的算法，实现对最优夏普比率或增长率的逼近。最后，针对平稳且时间可逆的市场，证明基于真实条件分布的贝叶斯策略不优于所提方法。报告还指出，算法的普适性覆盖了广泛随机过程市场，且对后续量化策略推广具指导意义 [page::0][page::2][page::8][page::11][page::12][page::14][page::17][page::19]
