• 研究背景与模型框架 [page::0][page::1][page::3]

- 采用带随机收入的生命周期模型，个体配置股票、债券和寿险，目标最大化消费、公积金和遗产效用。
- 约束投资组合被限制在非空、闭合、凸集，可涵盖非交易资产、禁止卖空和借贷限制等。
- 通过构建一组“人工市场”调整资产的漂移项，改写动态预算约束为静态预算约束，从而利用对偶方法分析。

• 理论贡献与方法创新 [page::2][page::4][page::5][page::11]

- 扩展Cuoco (1997)的结果至更一般的利率和收入过程假设，放宽其对均匀有界条件的限制。
- 建立原始问题与对偶问题的一一对应关系，证明解的存在性，利用Levin (1976)放松紧凑性假设。
- 提出基于对偶控制的神经网络方法，以时间为输入，学习最优的人工市场漂移调节函数$v(t)$，超越传统仿真方法（SAMS）的仿射漂移限制。

• 数值实验与比较 [page::14][page::20][page::24][page::28]

- 采用生命周期横跨45岁至95岁的假设，人口死亡遵循Gompertz法则，投融资工具包括资本市场和寿险。
- 两种方法：SAMS（仿射$v(t)$）和对偶控制神经网络（$v(t)$为神经网络，结构“1-10-2”）。
- 示例1（常数收益率和波动）：两方法表现相近，神经网络略优，双界差约0.02，福利损失约0.5%。

| 指标 | Method 1 Affine | Method 2 (1-10-2) ReLU |
|--------------|-----------------|------------------------|
| Upper bound | -8.4850600 | -8.4853506 |
| Lower bound | -8.5064352 | -8.5061158 |
| Duality gap | 0.0213752 | 0.0207652 |
| Relative gap | 0.2513% | 0.2441% |
| Welfare loss | 0.5019% | 0.4876% |
| Time elapsed | 7.43 hours | 8.31 hours |

• 示例2（时间扰动收益率）: [page::24][page::25][page::26][page::27]

- 股价收益率为$\mu(t)=0.07 + 0.03 \sin(t/2)$，利率和波动率恒定。
- SAMS方法无法捕捉扰动，表现较差，双界差0.166，福利损失近4%。
- 神经网络方案表现显著优于SAMS，不同激活函数（ReLU与Snake）对性能影响明显，Snake激活大幅减少双界差至0.023，福利损失降至0.55%。

| 指标 | Method 1 Affine | Method 2 (1-10-2) ReLU | Method 2 (1-10-2) Snake |
|--------------|-----------------|------------------------|------------------------|
| Upper bound | -8.2255790 | -8.2633075 | -8.3259363 |
| Lower bound | -8.3919740 | -8.3461089 | -8.3489955 |
| Duality gap | 0.1663950 | 0.0828014 | 0.0230592 |
| Relative gap | 1.9828% | 0.9921% | 0.2762% |
| Welfare loss | 3.9263% | 1.9743% | 0.5516% |
| Time elapsed | 7.59 hours | 8.82 hours | 10.79 hours |

• 量化策略核心和回测表现 [page::20][page::24]

- 量化策略的核心是通过人工市场调整漂移项 $v(t) = (v0(t), v-(t))$，在允许的投资约束集 $A$ 内优化消费、寿险购买和投资组合。
- SAMS方法限制 $v(t)$ 为线性函数，难以拟合复杂市场动态，神经网络方法学得更灵活复杂的时间依赖结构。
- 神经网络结构设定为输入层1个时间节点，1个隐藏层10个节点，输出层2个节点分别对应 $v0$ 和 $v-$，采用ReLU或Snake激活函数。
- 数值实验中，神经网络训练次数50次，随机初始值采样30组，选取最优上界。
- 训练曲线显示神经网络法收敛快且上下界差距小，且能准确学习市场参数扰动，显著减少估值误差。

• 其他重要结论 [page::2][page::13][page::28]

- 理论上，证明了解的存在性和原始问题与对偶问题之间的一一映射。
- 交易约束引导个体减少寿险需求，寿险需求曲线呈“勺形”，且随着年龄和死亡率变化动态调整。
- 扩展了寿险购买与财富约束之间的关系框架，可应用于更广泛的生命周期投资与保险组合优化课题。

Constrained Portfolio Optimization in a Life-Cycle Model – 详尽分析报告解构

---

1. 元数据与概览

• 报告标题: Constrained Portfolio Optimization in a Life-Cycle Model

- 作者: Wenyuan Li, Pengyu Wei

• 发布日期: 2024年10月29日

- 主题: 个人生命周期模型中的受限组合优化，包括股票、债券和寿险投资，考虑随机收入和交易约束（如禁止卖空、禁止借贷等）。提出双重控制神经网络方法，解决受限市场中的最优消费、保险和财富配置问题。

核心论点与贡献:

• 在包含随机收入的生命周期框架下，研究受限交易集合（凸集）内的组合优化问题。

- 扩展经典工作Cuoco (1997)对利率和收入条件的限制，使用几乎必然有限期望条件替代均匀界定假设。

• 构造人工市场并通过拉格朗日对偶控制方法建立原问题与对偶问题之间的一一对应关系，证明原问题存在性。

- 提出基于神经网络的双重控制算法，提升计算效率和准确性，克服传统仅适用于仿射策略的SAMS方法不足。

• 结果显示交易约束降低个体对寿险的需求。

---

2. 逐节深度解读

2.1 引言部分（第0-2页）

• 受限组合优化问题扩展自经典组合分配问题，加入了交易限制（非交易资产、禁止卖空、禁止借贷等），从而更贴近现实市场。

- 由于市场不完全性，传统基于鞅测度的马丁格尔方法不足以解决问题。

• 综述了关键参考文献，包括Karatzas等（1991）“虚拟完成”市场方法、Cvitanić和Karatzas（1992）利用凸对偶控制方法建立人工市场的框架、He和Pages（1993）考虑劳动力收入的延展，以及Cuoco（1997）将随机收入纳入视野。

- 作者重点强调，现有精算文献通常只关注一两个约束，缺乏涵盖多种约束的通用框架，本文旨在弥补这一不足。

• 核心方法：依据Cuoco (1997)，通过构造加权补偿后的人工市场，将动态财富约束转化为静态预算约束，从而简化优化问题。

- 由于随机收入导致对偶问题非凸，作者借助Levin (1976)的“松弛投影”技术证明存在性，条件是效用下半连续，交易集凸封闭且有界。

2.2 模型设定（第3-7页）

• 时间维度包括随机死亡时间$Tx$，确定性退休时间$TR$和家族投资决策终止时间$T$。

- 金融市场:
- 包含一支无风险债券$Bt$，利率过程$rt$满足期望有限的绝对值积分条件，放宽传统均匀界定。
- $n$个股票价格满足Itô过程，波动矩阵$\sigmat$满足非退化条件且市场价格风险$\kappa{0,t}$满足Novikov条件，保证等价鞅测度存在。

• 死亡率模型: 采用经典精算方法，定义存活概率、死亡概率及其对应的死亡率（即风险率、强度）；基于Gompertz定律建模。

- 财富过程:
- 允许在市场存活期间进行股票、债券和寿险投资。
- 交易策略的可接受集$\Theta$定义其对收益与波动的积分条件。
- 财富动态体现交易收益、消费支出、寿险保费、随机收入和财富自由处置(C)。
- 确保财富下界有限，避免套利（如Harrison和Kreps (1979)提出的“加倍策略”）。
- 寿险死亡赔付在死亡时刻对财富产生跳跃；跳跃幅度与保险支付及死亡率成反比。

• 效用函数:

- 设定消费效用$U1$、遗产效用$U2$和终端财富效用$U3$，均严格正增且严格凸。
- 通过期望值最大化目标消费、遗产和终端财富的综合效用。
- 利用死亡时间独立的性质，将随机死亡时间下的效用期望转写为死亡概率加权积分。

• 可行性定义:

- 明确消费和遗产计划在给定价格系数和交易约束下的“可行性”。

• 组合约束:

- 交易策略限制在非空、闭合凸集$A$中，泛化了禁卖空、非交易资产、资本要求等多种常见约束。
- 引入对偶支持函数$\delta(v)$，描述约束集$A$的极性作用。
- 详细列举包括无约束、非交易资产、卖空限制、买入限制、组合比例限制、最低资本要求、抵押限制及其组合等多种限制的形式和对应支持函数$\delta$及有效域$\widetilde{A}$。
- 该数学结构为后续对偶方法构建关键。

2.3 人工市场与预算约束（第9-11页）

• 基于支持函数$\delta$及有效域$\widetilde{A}$，构造人工市场$\mathcal{M}v$，其中状态价格密度等价于调整后的鞅测度。

- 财务市场实际约束转变为所有人工市场下的静态预算约束。

• 重要假设3.1保证财富下界有效，主要针对随机收入$Yt$在人工市场$Qv$下的期望有限。

- 证明定理3.1：消费及遗产计划满足给定静态预算约束等价于可行性。

• 推论3.1说明当存在某最优人工市场$v^$时，自由处置财富消失，且最优财富动态满足特定期望形式。

2.4 原始问题与对偶问题（第11-14页）

• 将原始问题由动态预算约束转化为静态预算约束形式，构造拉格朗日对偶问题。

- 基于效用函数的Fenchel-Legendre对偶变换，定义对应的凸对偶效用$\widetilde{U}i$。

• 解析对偶效用的性质，包括单调、凸性及极限值，明确其逆变换为最优策略的闭式依赖关系。

- 重要引理和定理（例如定理4.1）建立原问题和对偶问题解决方案之间的一一对应关系和存在性条件。

• 证明存在唯一$\psiv^>0$使对偶目标函数在$\psi$上达到极值，生成对偶问题的精确最小值。

- 构建对偶变量$ (v, \psi)$动态标记最优权衡。

2.5 原始问题存在性（第14-16页）

• 由于对偶问题对$v$非凸，直接应用传统方法难度大，受限于随机收入及限制造成的非标准性质。

- 利用Levin (1976)关于非反身空间下凸泛函极小解存在的松弛投影技术，证明原始问题存在性。

• 条件包括效用函数适当有界或增长受控（如具有确定幂次，满足一系列积分条件），且存在一个可行点使效用函数有限。

- 此部分的重要性在于保证理论上存在最优策略，支持实际算法的可实现性。

2.6 数值分析与神经网络方法（第16-28页）

• 设定基于Huang等（2008）的参数，包括个体年龄、退休年龄、寿险死亡率（Gompertz模型）、单股票与债券市场参数、收入过程随机性等。

- 两种对比方法概述：
1. 方法1 (SAMS): Bick等（2013）模拟人工市场策略，约束$vt$为时间仿射函数，计算上下界。
2. 方法2 (双重控制神经网络): 用神经网络近似$v(t)$，自动学习复杂函数形式，放宽仿射假设以适应更复杂的模型变动。

• 神经网络结构示意（见图1）: 输入为时间$t$（节点1），隐藏层10个ReLU激活节点，输出层2个节点分别对应$v0,v-$，共42个待调参数。训练过程中，30组随机初始化，每组迭代50次，选择表现最优的参数集。

- 事件1（无市场参数时变）: 两方法表现接近。神经网络非显著优于仿射模型，且均能提供较低相对间隙(~0.2%)和福利损失(~0.5%)。

• 图2显示训练过程中神经网络收敛更快。图3表明神经网络学到的$v^$与仿射模型近乎一致。图4揭示考虑交易约束时，寿险需求显著下降，且寿险面值随时间呈“勺形”曲线，反映了寿险对未来收入保护作用及随死亡率上升逐渐减少的特征。

- 事件2（股票收益率时变扰动，例如正弦波）:
- 传统SAMS方法因约束于仿射$v$，无法捕捉复杂扰动，产生较大双重间隙（约1.98%相对差距）及较大福利损失（3.93%）。
- 神经网络方法（ReLU激活）部分改善，约束仍然较大，但能一定程度捕捉初期扰动。
- 使用专为周期函数设计的Snake激活函数显著提高表现，双重间隙缩小至0.28%，福利损失降至0.55%，显示激活函数的重要性和神经网络方法对复杂模式的强大捕捉能力。

• 图5、6展示各方法的训练进度和学到的$v^$函数，支持上述结论。图7延续寿险需求“勺形”曲线，带有扰动同步变化。

- 整体说明神经网络方法在复杂市场环境下具有明显优势，能克服传统仿射方法局限，提供更精确的策略估计。

2.7 结论（第28页）

• 研究了包含随机收入在内的生命周期模型中受限组合优化问题，纳入股票、债券及寿险多重资产，交易策略受限于非空闭凸集合。

- 基于Cuoco (1997)框架，构造人工市场，将原始约束转化为静态预算约束，实现原问题与对偶问题双向转换。

• 利用松弛投影证明在较弱条件下问题存在。

- 首次引入神经网络求解受限组合优化，克服传统SAMS的局限，尤其在复杂时变参数下能够捕获非线性特征，实现更优策略学习。

• 发现约束条件下个体寿险需求下降，且神经网络方法能提升数值稳定性和准确性。

- 该方法为未来研究提供新方向，尤其在机器学习与金融最优控控制领域的交叉应用。

---

3. 图表与表格深度解读

表1：Example 6.1的数值对比（无扰动情况下）

| 指标 | 方法1 (仿射) | 方法2 （1-10-2 ReLU) |
|----------------|----------------|------------------------|
| 上界 | -8.4850600 | -8.4853506 |
| 下界 | -8.5064352 | -8.5061158 |
| 双重间隙 | 0.0213752 | 0.0207652 |
| 相对间隙 | 0.2513% | 0.2441% |
| 福利损失 | 0.5019% | 0.4876% |
| 运行时间 | 7.43小时 | 8.31小时 |

• 说明两方法表现非常接近，神经网络略胜一筹但差距微小。

- 运行时间相当，体现神经网络算法的可行性和合理效率。

图2：训练迭代中的上界变化

• 神经网络方法上界快速下降，初期收敛优于仿射法，但最终稳定在相近水平。

- 表明神经网络收敛效率高，且能找到至少同等优策略。

图3：最优$v^$函数对比

• 显示$v0^(t)$和$v-^(t)$曲线，神经网络与仿射法高度重合。

- 验证少量参数的仿射模型在参数不变环境下已足够拟合。

图4：寿险面值需求变化（期望值$It^/\lambda_{x+t}$）

• 寿险需求随时间呈“勺形”走势，初期较高以保护未来收入，随后需求转负直至终点。

- 交易约束导致寿险需求整体下降，与理论预期一致。

表2: Example 6.2的数值对比（有扰动）

| 指标 | 方法1 (仿射) | 方法2 (1-10-2 ReLU) | 方法2 （1-10-2 Snake） |
|----------------|--------------|---------------------|-------------------------|
| 上界 | -8.2255790 | -8.2633075 | -8.3259363 |
| 下界 | -8.3919740 | -8.3461089 | -8.3489955 |
| 双重间隙 | 0.1663950 | 0.0828014 | 0.0230592 |
| 相对间隙 | 1.9828% | 0.9921% | 0.2762% |
| 福利损失 | 3.9263% | 1.9743% | 0.5516% |
| 运行时间 | 7.59小时 | 8.82小时 | 10.79小时 |

• 有扰动情况下，传统仿射法双重间隙和福利损失明显上升。

- 神经网络-ReLU能部分缓解此问题。

• 神经网络-Snake显著提升效果，逼近无扰动模型表现，证明激活函数选择对周期性模式捕获关键。

图5：扰动场景下训练迭代上界走势

• 三条曲线均下降，Snake激活网络保持最低上界，表现最优。

图6：扰动场景下最优$v^*$学习结果

• 方法1无法识别周期扰动，呈锯齿波。

- 神经网络ReLU捕获个位周期波动。

• 神经网络Snake完整捕获周期性和趋势，解释其优异表现。

图7：扰动环境下寿险面值走势

• 类似“勺形”，但后期出现扰动波动，反应模型复杂性对寿险需求的微调。

---

4. 估值方法解析

• 估值主要通过使用人工市场构建对偶问题实现，$v$调整资产的漂移项，变更状态价格密度。

- 通过对偶方法计算在人工市场下的期望效用，获得对原始受限优化问题价值函数的上界。

• SAMS方法限制$v$为仿射，易于计算但灵活度低；神经网络方法则允许$v(t)$复杂非线性表达，捕捉非平稳特征。

- 优化时通过内点法（Matlab fmincon）寻找最优$v$和对应$\psi$以最小化对偶目标。

• 对偶问题的求解保证了对原问题乐观估计性质，有助于束缚现实中不可解问题的最优解范围。

- 福利损失指标反应由于约束而承受的效用折价，亦反映估值方法的精度。

---

5. 风险因素评估

• 本文主要风险源于市场不完全性和交易约束带来的非凸性，导致传统解法难以适用。

- 随机利率和随机收入造成的模型复杂度增加，存在计算和理论解析挑战。

• 数值上，SAMs方法存在逼近误差，特别面对非仿射漂移的波动性场景时效果不佳。

- 神经网络方法虽提升计算表现，但训练过程需适当初始化和激活函数设计，避免陷入局部极小或过拟合。

• 论文假设个体有对冲完备性不足，寿险需求减少可能会带来保险市场和福利保障层面的风险。

---

6. 审慎视角与细节评价

• 作者对Cuoco (1997)假设的放宽改善了模型实用性，但这也带来了理论复杂度，部分证明依赖较新的数学工具（如Levin (1976)松弛投影），可能限制理论普及性。

- 对偶问题非凸属性可能导致数值方法的稳定性和全局收敛性问题，神经网络方法虽提升近似精度，但参数调节和初始化较为敏感。

• 交易约束对寿险需求的抑制效应，符合直觉但过于强烈时或许需结合市场行为微观机制进一步验证。

- 论文在多处使用了较强的数学理论和技术术语，初学者或非专精者理解门槛较高。

• 表格和图表详细清晰，有助于理解数值结果，且数据提供充分验证理论假设的合理性。

---

7. 结论性综合

本报告深入剖析了Wenyuan Li和Pengyu Wei关于生命周期模型下受限组合优化问题的研究，涵盖从模型设定、对偶理论构建、存在性证明到数值求解的各个重要环节。通过详细讲解，核心贡献和创新点凸显：

• 理论贡献: 通过构建包含多种交易限制的凸约束集合，扩展了经典Cuoco框架，放宽利率和收入过程的界定条件，实现更广泛适用。

- 对偶方法: 有效转换动态财富约束为静态预算约束，搭建原始问题与对偶问题的一一映射，保证原问题解的存在并提供计算上界保障。

• 数值创新: 神经网络方法引入时间依赖的非线性控制函数$v(t)$，较传统的仿射SAMS方法显著提升估计精度，特别在存在股票收益率扰动的复杂市场下优势明显。

- 实际洞察: 交易约束整体降低个体寿险需求，呈现典型“勺形”时间结构，反映财富保护需求与风险偏好变化。

• 图表说明: 数字结果和图表展示清晰，验证理论基础和算法效果，具体说明不同方法在不同假设下的收敛、双重间隙和福利损失水平。

最终，作者提出的双重控制神经网络方法不仅拓宽了受限生命周期组合优化的解决方案，也为未来将深度学习方法融入金融最优控制问题提供了宝贵范例。该研究在理论严谨性与数值创新之间取得平衡，具备较强的实用价值和学术贡献。

---

附：重要图表引用

• 

-

• 

-

• 

-

• 

---

溯源: 全文内容分析来自报告页码[0–56][page::0–56]，图表对应页码见各自标识。

报告