使用神经网络进行端到端风险预算投资组合优化
由crisvalentine创建，最终由crisvalentine 被浏览 80 用户
论文原名
End-to-End Risk Budgeting Portfolio Optimization with Neural Networks
论文作者
A. Sinem Uysal, Xiaoyue Li , and John M. Mulvey
修订时间
2021年7月9日
引言
投资组合优化一直是金融领域的核心问题，经常与两个步骤：校准参数，然后解决优化问题。然而，两步过程有时会遇到“误差最大化”问题，其中参数估计的不准确转化为不明智的分配决策。在这论文中，我们将预测和优化任务结合在一个单一的前馈神经网络中网络并实施端到端的方法，在那里我们学习投资组合分配直接来自输入特征。包括两个端到端的投资组合结构：无模型网络和基于模型的网络。无模型方法被视为黑盒，而在基于模型的方法中，我们学习了最佳风险贡献在资产上并使用嵌入的隐式优化层解决分配问题神经网络。基于模型的端到端框架提供了强大的性能使用最大化夏普比率时的样本外 (2017-2021) 测试作为训练目标函数，在名义风险时达到 1.16 的夏普比率平价收益率为 0.79，等权重固定组合收益率为 0.83。注意到基于风险的端口folios 可能对基础资产领域很敏感，我们开发了一个资产选择嵌入具有随机门的神经网络中的机制，以防止投资组合受到低波动性低回报资产的伤害。门控端——带有过滤器的端到端性能优于带有朴素过滤的名义风险平价基准机制，将样本外时段（2017-2021）的夏普比率提高至 1.24在市场数据中。
简介
机器学习和深度学习算法已成为常见的方法论应用由于大数据和技术的进步，研究人员在各个领域实施的方法计算工具。同样，量化金融利用这些方法带来了新的解决金融中各种特定领域问题的方法。预测建模任务是机器学习方法和深度学习的主要领域之一广泛使用。这些方法不仅有助于提高模型性能，而且允许探索不同的数据集，例如高维或替代数据。然而，在许多问题中，预测并不是最终目标，而是更大过程的一部分。同样，财务决策系统可以分为预测和优化任务，其中学习方法通常用于解决前一个问题。投资组合优化是金融中的一个著名问题，由 Markowitz 正式提出投资组合理论（马科维茨(1952年))，它可以分为两部分：预测和优化。一些常见的预测任务是：优化问题（例如因子模型、股票收益预测、协方差矩阵structuring)、状态转换投资组合的状态预测等。与传统模型相比，这些方法可以提高预测性能。如何-一直以来，在投资组合优化中，资产参数预测不是最终目标，而是一个资产配置决策任务的中间步骤。
解决这个问题的一般方法是分两个阶段进行建模：（1）使用预测模型生成模型参数，（2）引入通过优化预测投资组合构建的决策问题。如果预测模型具有良好的性能，则两阶段方法是有益的社会。当预测模型的准确性不好时，通常是资产的情况返回预测，两阶段模型可能导致主要任务的次优决策。出现这个问题是由于每个阶段针对不同目标的训练。预测模型被训练以最小化预测误差，并且优化问题通常被优化对于决策损失函数。因此，两阶段模型会导致误差累积导致次优决策。在本文中，我们的目标是在一个阶段解决投资组合优化问题一种端到端的学习方法。这里我们结合了预测和优化任务在一个完全连接的神经网络中，并生成投资组合决策作为输出。我们不要直接训练相关参数的值。相反，我们把它留给新人ral 网络为估计选择最佳值。
在隐藏层之后，我们提出两种端到端投资组合构建方法：无模型和基于模型网络。无模型网络基于投资组合针对不同的成本函数进行训练指标，基于模型的网络在网络通过可微优化层。前一种方法被视为黑盒或可解释性较差的无模型模型。另一方面，基于模型的网络为投资组合决策采用特定规则，使它们在以下方面更具可解释性模型近似。基于模型的网络中的第二层不同于隐藏层层，代表我们选择的优化问题。特别地，这一层是构造为参数化优化问题，其中参数取决于预上一层，网络的成本函数是基于投资组合的性能指标。此外，我们提出了一种将资产选择属性引入风险的新方法预算组合。嵌入式随机门允许从投资组合，这有助于提高投资组合的表现并击败名义基准-市场数据中的标记。端到端学习方法有令人兴奋的发展，以便整合预测和决策任务。在本文中，我们遵循Donti 等人。(2017年） 和阿格拉瓦尔等人。(2019年)，并提出端到端的投资组合构建框架。这里我们选择风险预算投资组合优化（布鲁德和朗卡利(2012年)) 作为政策端到端学习系统中的规则，并将其实现为可微优化神经网络层。
风险预算组合技术是一系列政策规则用于构建基于风险的投资组合，其中一些是基于风险的分散投资，没有考虑预期资产回报。风险预算投资组合享有几个理想的经典马科维茨没有的关系，并且不受回归困难的影响估计。等风险贡献或风险平价是风险预算的特殊版本——所有风险预算都设置相等的投资组合（美拉德等人。(2010年))。它已经绘制由于其在各种市场环境下的稳健性和低对参数估计的敏感性（阿迪亚等人。(2017年))。根据纽伯格伯曼资产管理 （卡娅(2020年)) 管理着大约 1200 亿美元的资产关于风险平价策略（法博齐等人。(2021年))。此外，还可以采用这种方法根据投资者的喜好采用不同的投资组合优化技术。在这论文中，我们提出了一个将预测和优化步骤集成到投资组合中的框架构建，也可以扩展到许多其他量化金融问题其中涉及预测和优化任务。本文的其余部分安排如下。第2节重点介绍了以前的工作端到端的学习，并提出了不同的方法。第3节解释了端到端具有神经网络和优化层的投资组合模型方法。第4节显示重新模拟研究的结果，第5节介绍了广泛的计算结果真实市场数据的实验。第7节总结了未来的工作方向。
论文PDF
/wiki/static/upload/fe/fe0241a8-16f0-4a5a-b217-883beeb30e71.pdf
\