神经函数生成投资组合简介及优势 [page::0][page::1]

• 利用神经网络学习生成函数$G(\cdot)$，扩展传统函数生成投资组合(FGP)框架，提高灵活性。

- 该方法避免估计资产的漂移和协方差，在模型不确定性下更为稳健。

• 保持自融资特性及路径式财富分解，保证投资组合结构符合理论要求。

函数生成投资组合理论回顾 [page::1][page::2]

• FGP基于市场权重的生成函数构建投资组合，无需估计隐含参数。

- Fernholz主公式和相对套利定义为理论基础。

• 最优相对套利对应的生成函数可由Cauchy偏微分方程的解表达，但求解复杂，尤其在高维时。

神经FGP方法架构与训练设计 [page::3][page::4][page::5]

• 生成函数由输入凸神经网络(ICNN)参数化，保证函数的凹性。

- 通过自动微分计算梯度，实现投资组合权重的构造。

• 训练目标为最大化相对于市场的对数收益，纳入$\ell_2$正则避免极端权重集中。

- 采用滑动窗口进行训练与测试，实现滚动式评估。

实证评估及基准比较 [page::5][page::6][page::7][page::8]

• 合成数据和真实数据均采用5只股票，5年历史价数据训练。

- 与等权(EWP)、市场组合以及多样性加权组合(DWP)比较，神经FGP平均终止相对对数收益显著较高。

• 合成数据平均对数收益：神经FGP 0.0787，远高于基准组合。

- 真实数据类似，神经FGP利润领先且稳定。

• 见图1与图2相对财富曲线对比。

关键实验数据表格汇总 [page::6][page::8]

合成数据平均对数相对收益

| 策略 | 平均终止对数收益 |
|-------------|----------------------------|
| Neural FGP | 0.078694 |
| EWP | 0.0092019 |
| Market | -9.79e-07 |
| DWP (p=0.3) | 0.0066033 |
| DWP (p=0.5) | 0.0047832 |
| DWP (p=0.8) | 0.0019446 |

真实数据平均对数相对收益

| 策略 | 平均终止对数收益 |
|-------------|----------------------------|
| Neural FGP | 0.0785746 |
| EWP | 0.0121577 |
| Market | -1.08e-06 |
| DWP (p=0.3) | 0.0082537 |
| DWP (p=0.5) | 0.0057625 |
| DWP (p=0.8) | 0.0022184 |

• 神经FGP在不同市场环境下都展现出极强的相对优势。

研究贡献与未来方向 [page::7][page::8]

• 第一次将ICNN架构引入FGP框架，保证生成函数曲面的可微性和凹性。

- 方法结合了随机投资组合理论和机器学习，兼具理论严谨性与实用性。

• 后续研究计划探索交易成本、规模扩展及市场环境稳健性分析。

金融研究报告详尽分析报告

报告标题：Neural Functionally Generated Portfolios

作者：Michael Monoyios 和 Olivia Pricilia

发布机构：牛津大学数学研究所

时间：截至2025年4月（文章中使用历史数据截止日期）

研究主题：基于神经网络的函数生成型投资组合（FGP）构建方法及其性能评估

---

1. 元数据与报告概览

本报告提出了一种创新的基于神经网络的函数生成型投资组合（Neural FGP）构建框架，旨在通过神经网络学习生成函数 \( G(\cdot) \)，进而构造投资组合。传统的函数生成型投资组合利用确定性的生成函数构造自融资组合，绕过了对市场漂移率和协方差矩阵的估计，提供了模型鲁棒性。作者创新地结合神经网络，将生成函数参数化为神经网络 \( G\theta(\cdot) \)，利用自动微分及结构设计（如输入凸神经网络 ICNN）确保理论性质，直接通过市场权重历史数据训练此生成函数，目标最大化相对市场组合的收益。

该策略在实证与模拟数据中均显示出超越经典函数生成投资组合基准（如等权重组合、市场组合、多样性加权组合）的表现，兼具理论严谨性与实际灵活性。最终，作者总结了该方法的贡献、优势及未来扩展方向。

主要信息传递是：利用神经网络加持的函数生成组合不仅理论上可行，且实证效果显著优于传统基准，且在高维环境与复杂市场动态中有较强适用性。[page::0,3,6,8]

---

2. 逐节深度解读

2.1 引言与背景（Section 1 & 2）

作者从随机投资组合理论（Stochastic Portfolio Theory，SPT）角度入手。SPT由Fernholz提出，是经典金融资产定价的一个重要分支，与经典无套利定价理论相比，假设更弱：不要求严格无套利（NFLVR），而采用较弱的“NUPBR”假设，即存在局部鞅折算因子（local martingale deflators）。该理论无需隐含漂移和波动率估计，使得组合构造在高模型不确定性下依然稳健。

核心工具是函数生成型投资组合（FGP），它通过一个确定性的两次可微正数函数 \( G(\cdot) \) 定义组合权重，有别于对资产漂移和协方差的显式建模。FGP使得组合的相对财富过程有路径分解（master formula），可直接利用市场权重的协方差结构，规避了常见难以估计的量。FGP是构建“相对套利”（相对市场的超额收益）的利器。[page::0,1,2]

关键数学结构及命名

• 市场权重向量 \(\mu(t)\) 位于正的单位单纯形\(\Delta+^n\)

- 生成函数 \(G: U \supset \Delta+^n \to (0, \infty)\)，满足2次可微。

• 组合权重公式为：

\[
\pii(t) = \left(Di \log G(\mu(t)) + 1 - \sumj \muj(t) Dj \log G(\mu(t))\right) \mui(t),
\]
保证组合自融资及权重和为1。

• 相对财富过程满足master formula：

\[
\log\frac{V^\pi(T)}{V^\mu(T)} = \log\frac{G(\mu(T))}{G(\mu(0))} + \int0^T q(t) dt,
\]
其中 \(q(t)\) 与生成函数的二阶导数及市场权重协方差矩阵 \(\tau{ij}^\mu(t)\) 相关。

相对套利与最优相对套利定义

• 相对套利指组合 \(\pi1\) 相较 \(\pi2\) 在恒定时间段内几乎确定性地获得相等或超额收益，且概率大于零（强相对套利时概率为1）。

- 最优相对套利对应于通过最小初始资本几乎必然超越市场组合的策略，数学上关联于偏微分方程和马氏过程理论。

本节强调了FGP不仅理论地相对套利最优，且由于依赖可观察权重及其协方差，使其在模型不确定环境中更具吸引力。[page::1,2,3]

2.2 Neural FGP的提出与方法论框架（Sections 2.2 & 3）

基于FGP的稳健性与理论结构，作者提议用神经网络形态对生成函数进行参数化，设计并训练 \( G\theta(\cdot) \)，通过最大化训练历史数据上的对数相对收益达到最优化目的。该方法弥补传统FGP限制（如求解高维parabolic PDE难度大），并注入机器学习的自适应能力。

神经网络架构及约束

• 生成函数被定义为负的ICNN输出 \( G\theta(x) = -f(x) \)，其中ICNN确保函数凸性，进而 \( G\theta \) 凸性由设计保证。

- ICNN结构包括多层线性交叉连接，部分权重矩阵非负约束以保证凸性，激活函数为非递减凸函数（如Softplus或ReLU）。

• 组合权重由 \(\pi{\theta,i}(x)\) 类似经典FGP公式计算，通过对数生成函数的导数获得，实现端对端可微。

训练目标

• 最大化从时间0到T的对数相对收益 \(\log VT\)，使用离散时间公式迭代计算相对财富。

- 增加 \(\ell2\) 正则项防止权重过于集中，保证训练稳健性与数值稳定。

• 说明了传统通过 Hessian 惩罚鼓励凹性的方法不够稳定且效率低，ICNN架构设计直接强制凹性。

这种组合体现了理论创新和工程实现上的实用考量。[page::3,4,5]

2.3 实验设计与性能评估（Section 3.2 和相关表格/图表）

仿真与真实数据集

• 仿真数据：通过模拟几何布朗运动市场价格生成资本权重。

- 真实数据：使用Yahoo Finance指定股票（苹果、微软、谷歌、亚马逊、Meta）5年每日收盘价，计算市场权重向量。

训练及测试流程

• 依托滚动窗口法：每200个交易日训练，随后20日测试评估模型，反复迭代，确保结果在未来时点的稳健性。

- 训练使用Adam优化器，模型为ICNN结构的神经网络。

• 训练目标如前章节所述，最大化log相对财富。

基准策略

• 等权重组合（EWP）

- 市场组合

• 多样性加权组合（DWP），多个参数 \(p = 0.3, 0.5, 0.8\)

结果展示

• 表2（synthetic data）与表3（real data）均显示，Neural FGP在平均log相对收益中大幅领先于其他策略，如表2中Neural FGP为0.07869，远超第二名EWP的0.0092；真实数据中相差同样显著。

- 图1和图2展示了时间序列中每次测试窗口终端的相对财富值，Neural FGP曲线明显高于其他策略且稳健波动；市场组合相对财富约1，则作为基线。

该实验通过系统的滚动测试和多重基准组合，展示了Neural FGP在理论与实证数据场景下都实现了明显的相对市场超越，且优于均匀分权等经典无模型假设策略。[page::6,7,8]



---

3. 图表深度解读

表1：函数生成型投资组合示例（页面1）

该表列举了经典的函数生成组合及其生成函数 \(G(\mu)\) 和对应权重 \(Ti(\mu)\) ：

| 投资组合 | 生成函数 \( G(\mu) \) | 权重 \( Ti(\mu) \) |
|------------------|------------------------------------|---------------------------------------------|
| 等权重组合 (EWP) | (隐含) 常数或1 | \( Ti = \frac{1}{n} \) |
| 多样性加权组合 (DWP) | \(\sum{i=1}^n \mui^p\), \(0i(\mu) = \frac{\mui^p}{\sumj \muj^p} \) |
| 熵加权组合 | \(-\sumi \mui \log \mui\) | \( \alpha - \log \mui \) |
| 市场组合 | 常数 \( G(\mu) = c > 0 \) | \( Ti = \mui \) |

该表体现函数生成投资组合多样性，从均等权重到侧重小市值或最大化信息熵等，均可用不同生成函数刻画，证明了该框架的灵活性。[page::1]

表2和表3：平均对数相对收益（页面6和8）

| 策略 | 合成数据log收益均值 | 真实数据log收益均值 |
|---------------------|------------------------------|-----------------------------|
| Neural FGP | 0.0787 | 0.0786 |
| EWP | 0.0092 | 0.0122 |
| 市场组合 | ≈0 ( -9.79e-7 ) | ≈0 (-1.08e-6) |
| DWP (p=0.3) | 0.0066 | 0.0083 |
| DWP (p=0.5) | 0.0048 | 0.0058 |
| DWP (p=0.8) | 0.0019 | 0.0022 |

数据清楚表现Neural FGP显著取得更高的长期相对收益，且远超传统手工设计组合策略，验证了神经网络自适应学习生成函数的优势。[page::6,8]

图1和图2：相对终端财富轨迹（页面7）

• 图1（合成数据）显示Neural FGP的终端相对财富多数时期持续高于1，且稳居其他基准组合之上，标志着持续相对市场超越。

- 图2（真实数据）同样呈现此趋势，Neural FGP表现震荡中保持优势，说明在实际复杂市场环境下稳定性。

通过与市值加权组合“绿线”为基准1对比，Neural FGP曲线显著上扬，支持函数生成组合理论与实证的融合。[page::7]

---

4. 估值分析

报告核心不涉及传统意义上的公司估值或现金流贴现Model定价，但延续了投资组合相对收益最大化问题的端点，属于最优投资组合构建范畴。

投资组合权重通过神经网络优化确定，训练过程即为求解一类高维函数最优化问题；损失函数系数中采用了 \(\ell_2\) 正则化项缓解过度集中风险。

利用ICNN架构以结构形式直接约束生成函数的凹性，是此模型的创新点，替代了计算复杂且数值不稳定的海森矩阵惩罚，强化了模型的理论保证。

整体评估方法是基于对数相对收益的极大化，符合连续时间理论分析，未引入额外估值倍数或市场多因子模型。[page::3,4,5,6]

---

5. 风险因素评估

报告虽未显式系统化风险因素，但可推断存在以下风险及挑战：

• 模型风险：神经网络生成函数虽然灵活，但对训练数据依赖较大，存在过拟合或训练不充分导致的泛化风险。滑动窗口验证部分缓解此风险。

- 结构假设风险：函数生成组合理论依赖市场权重可观察、正则且连续变化，真正市场存在离散跳变、流动性风险等，可能影响模型表现。

• 计算复杂度与可解释性：高维ICNN网络可能带来训练成本增加，调优及解释难度也大于经典显式组合。

- 市场环境变化风险：模型表现可能随不同市场环境衰减，报告提出未来探索不同市场风格及交易成本考虑，显示现实复杂性影响。

报告中通过正则项设计和滚动训练测试制度一定程度缓解集中度风险和过拟合，提示风险意识但未来工作空间仍大。[page::5,6,8]

---

6. 批判性视角与细微差别

• 理论与实现界面：虽然ICNN保证生成函数的凹性，但这一架构设计带来的表达能力限制及训练收敛问题可能未充分探讨。

- 实证样本规模及多样性：真实数据仅覆盖5年、5只科技巨头股票，在风格与资产类别多样性方面相对有限，可能样本偏差明显。

• 交易成本缺失：现实投资组合频繁调整所产生的交易成本对净收益影响巨大，该模型尚未纳入此现实因素。

- 市场极端情况适用性：模型依赖于权重协方差等常规统计特征，极端波动、跳跃市场事件下模型稳健性未知。

总体来说，报告内部逻辑连贯，创新点突出，但对某些现实交易约束及极端风险的探讨较弱，这是未来改进重点。[page::5,6,8]

---

7. 结论性综合

本报告创新融汇了随机投资组合理论中函数生成组合的理论框架与现代神经网络技术，提出了具有结构保证的神经生成投资组合（Neural FGP）模型。通过引入输入凸神经网络（ICNN）确保生成函数的凹性，利用自动微分计算组合权重，训练目标直接最大化与市场组合相对的对数回报，实现了理论与实证的有机统一。

实验结果展示了Neural FGP在合成与真实市场数据上的卓越表现，明显超越了等权重、多样性加权以及市场基准组合，证明了该方法在捕捉市场动态及适应高维环境方面的强大能力。Walk-forward滚动训练测试框架进一步增强了模型的实用性与稳健性。

报告中表1论述了经典FGP示例，强调理论基础；表2、3定量说明了神经FGP的显著收益优势；图1、2直观呈现了相对财富的持续增值趋势。

作者明确了该方法在保持理论自融资和路径分解性质基础上的优势，同时指出未来研究需要解决交易成本、市场多样性、模型可扩展性及计算效率等实践问题。总体而言，Neural FGP 是连接经典投资组合理论与数据驱动算法投资的有力桥梁，展示了新一代组合优化的潜力与前景。[page::0,1,2,3,4,5,6,7,8]

---

附录：引用页码索引

• 引言与理论基础：0,1,2,3页

- Neural FGP方法及网络结构：3,4,5页

• 实验设计、训练与结果：5,6,7,8页

- 结论与参考文献：8页

---

总体评价

此篇论文以严谨的数学理论基础为框架，融入现代机器学习技术，系统性地提出和实证验证了一种新颖的函数生成型组合构建方法。对金融数学领域中的组合优化及机器学习应用具有重要理论与实务参考价值。报告结构严谨，论据充分，实验设计合理，数据结果明确而有说服力。同时也清晰陈述了潜在的限制与未来工作方向，体现了研究的深度与前瞻性。

报告