END-TO-END LARGE PORTFOLIO OPTIMIZATION FOR VARIANCE MINIMIZATION WITH NEURAL NETWORKS THROUGH COVARIANCE CLEANING
创建于 更新于
摘要
本文提出一种旋转不变的神经网络架构，实现了通过协方差矩阵清洗进行端到端的全局最小方差组合优化。利用双向LSTM结构对经验协方差矩阵的特征值进行非线性滤波，同时通过可训练的滞后变换和边际波动率网络调整输入。实证结果表明模型在2000年至2024年间实现了明显更低的实现波动率、更小的最大回撤和更高的夏普比率，且其协方差估计适用于带有长仓约束的组合优化，实现了良好的泛化能力和交易成本考虑下的稳健表现[page::0][page::1][page::5][page::10][page::13][page::16][page::17]
