Large-scale Time-Varying Portfolio Optimisation using Graph Attention Networks
创建于 更新于
摘要
本报告提出并实证检验了基于图注意力网络（GAT）的全新大规模时变投资组合优化方法，利用30年中型市值公司数据，构建基于距离相关系数和三角最大过滤图（TMFG）的图结构，直接以夏普比率为损失函数进行端到端训练，实现了风险调整收益的最大化。实证表明，GAT优化组合在风险调整后的收益率方面显著优于均值方差模型、网络指标模型和平等权重组合，且在不同市场环境中表现稳健，投资组合权重分布合理，交易成本较低 [page::0][page::9][page::24-31].
