华泰证券-华泰证券人工智能52：神经网络组合优化初探 202201
由kaemp创建，最终由kaemp 被浏览 61 用户
摘要
初步探索基于神经网络的组合优化
在基于因子的量化投资流程中，因子生成、多因子合成、组合优化是三个重要步骤。组合优化一般是指通过凸优化方法将收益预测转换为资产权重的步骤，本文将尝试把组合优化融入到神经网络中，构建端到端的量化投资框架，该框架输入资产的原始数据，通过神经网络进行特征提取和合成，再通过可传播梯度的凸优化层(如 CvxpyLayers)优化得到资产权重，目标函数可直接定义为资产组合的收益率或其他指标，并以该目标优化整个神经网络。本文以资产配置中的风险预算模型为例，测试了基于神经网络的组合优化效果。 在合理限制下，模型在两组资产配置测试中均能获得更好的收益表现。
CvxpyLayers 能突破传统组合优化方法的局限
相对于因子生成和多因子合成，传统组合优化方法是一个独立的过程，不能传播梯度，因此无法借助神经网络进行端到端的优化，可能会有以下局限：(1)无法通过端到端的方式影响到组合优化的输入(如预期收益、风险预算)；(2)组合优化中的参数(如风险厌恶系数)只能通过遍历的方式来确定；(3)一般只进行单期优化。CvxpyLayers 在 Cvxpy 的基础上，将凸优化过程作为网络层嵌入到神经网络中，使得梯度传播成为可能，从而具有突破以上局限的潜力。CvxpyLayers 项目目前由斯坦福大学凸优化研究组维护。
正文
/wiki/static/upload/3d/3d1e1b63-d806-40e6-a3e2-fc8d2b0213b0.pdf
\