基于神经网络敏感度的投资组合优化：从资产动态角度考虑共同驱动因素
摘要：资产和投资组合动态建模的框架 应用这一信息进行投资组合优化 介绍普遍性原则作为最佳选择投资组合驱动因素的解决方案 通过偏微分方程对投资组合组成部分进行动态建模，并通过神经网络近似解决方案 通过自动伴随微分获得相对于普遍性驱动因素的灵敏度 通过灵敏度将资产动态信息纳入投资组合优化 将投资组合成分嵌入到相对于普遍性驱动因素的灵敏度空间中，并使用这个空间中的距离矩阵（称为灵敏度矩阵）来解决多样化的凸优化问题 灵敏度矩阵衡量投资组合成分在由普遍性驱动因素回报形成的向量空间上的投影的相似性，并用于在特异风险和系统风险上优化多样化，同时通过回报动态增加方向性和未来行为信息 对于投资组合优化，我们对灵敏度矩阵进行分层聚类 据作者所知，这是第一次将用于投资组合优化的灵敏度动态近似解决方案与神经网络相结合 其次，使用灵敏度矩阵进行分层聚类来解决凸优化问题并纳入这些灵敏度的分层信息 第三，可以使用公共和上市的变量来通过与最佳投资组合驱动因素相关的灵敏度空间来获得最大的特异性和系统性多样化 通过各种市场和真实数据集的实验，我们在许多方面表现出了超过所有其他样本外方法的性能。
作者：Alejandro Rodriguez Dominguez
论文ID：2202.08921
分类：Portfolio Management
分类简称：q-fin.PM
提交时间：2022-12-06