基于基数约束的指数跟踪：一种随机神经网络方法
摘要：部分指数跟踪是一种受欢迎的被动投资策略。它旨在通过构建一个包含指数某些成分的跟踪组合来复制给定指数的表现。当考虑到L0约束时，跟踪误差优化问题是二次的和NP难的，因此通常通过启发式方法（如进化算法）来解决。本文介绍了一种简单、高效和可扩展的连接模型作为替代方法。我们提出了一种新颖的重新参数化方法，然后利用随机神经网络解决了优化问题。我们使用超过10年的标普500指数数据对该方法进行了检验，并与常用的指数跟踪方法（如前向和后向选择、最大市值方法）进行了比较。实证结果显示，我们的模型表现出了出色的性能。在一系列投资组合规模上，与基准模型相比，我们的模型具有最低的跟踪误差。同时，在波动性、夏普比率和最大回撤等次要标准上，它与其他模型的性能相当。
作者：Yu Zheng, Bowei Chen, Timothy M. Hospedales, Yongxin Yang
论文ID：1911.05052
分类：Portfolio Management
分类简称：q-fin.PM
提交时间：2019-11-15