The Gibbs Posterior and Parametric Portfolio Choice
创建于 更新于
摘要
本文提出将Gibbs posterior（广义贝叶斯/基于损失的后验）应用于Brandt等(2009)的参数化投资策略，直接以投资者效用作为损失函数，构造关于策略系数θ及其出样回报的后验分布，并把温度参数λ作为核心正则化工具，通过后验协方差的几何（log-det 与 condition number）与KNEEDLE拐点法原位选择最优λ*，从而在不依赖外样本验证的情况下实现统一的学习与正则化框架；在美国股票（1955–2024）实证中发现：特征选股的效用收益主要集中于2000年前，λ* 随风险厌恶程度变化且受到高阶矩影响，非二次效用下尾部风险和峰厚度显著影响最优正则化与策略表现 [page::0][page::8][page::12][page::17]
