Robust Utility Optimization via a GAN Approach
创建于 更新于
摘要
本报告提出一种基于生成对抗网络（GAN）方法的鲁棒效用优化模型，通过神经网络模拟投资者与对抗市场策略，以最小化市场不确定性带来的风险，实现最优的鲁棒投资组合。该方法可处理任意连续效用函数及含交易成本的现实市场，广泛适用。实证研究表明，在已知解析最优策略的摩擦无市场中，模型可准确恢复最优解；在含交易成本和通用效用函数的复杂场景下，所学策略优于所有参考策略，并揭示训练的路径依赖策略未必优于Markovian策略。此外，GAN生成的策略能够作为经典无摩擦渐进最优策略的有效替代品，提供现实市场的新方案[page::0][page::3][page::40]。
