基于阈值的投资组合：阈值的作用及其

相似文件 换一批

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《Threshold-Based Portfolio: The Role of the Threshold and Its
  Applications》
---
作者：
Sang Il Lee, Seong Joon Yoo
---
最新提交年份：
2018
---
英文摘要：
  This paper aims at developing a new method by which to build a data-driven portfolio featuring a target risk-return. We first present a comparative study of recurrent neural network models (RNNs), including a simple RNN, long short-term memory (LSTM), and gated recurrent unit (GRU) for selecting the best predictor to use in portfolio construction. The models are applied to the investment universe consisted of ten stocks in the S&P500. The experimental results shows that LSTM outperforms the others in terms of hit ratio of one-month-ahead forecasts. We then build predictive threshold-based portfolios (TBPs) that are subsets of the universe satisfying given threshold criteria for the predicted returns. The TBPs are rebalanced monthly to restore equal weights to each security within the TBPs. We find that the risk and return profile of the realized TBP represents a monotonically increasing frontier on the risk-return plane, where the equally weighted portfolio (EWP) of all ten stocks plays a role in their lower bound. This shows the availability of TBPs in targeting specific risk-return levels, and an EWP based on all the assets plays a role in the reference portfolio of TBPs. In the process, thresholds play dominant roles in characterizing risk, return, and the prediction accuracy of the subset. The TBP is more data-driven in designing portfolio target risk and return than existing ones, in the sense that it requires no prior knowledge of finance such as financial assumptions, financial mathematics, or expert insights. In a practical application, we present the TBP management procedure for a time horizon extending over multiple time periods; we also discuss their application to mean-variance portfolios to reduce estimation risk.
---
中文摘要：
本文旨在开发一种新的方法来构建一个以目标风险回报为特征的数据驱动投资组合。我们首先对递归神经网络模型（RNN）进行了比较研究，包括一个简单的RNN、长-短期记忆（LSTM）和选通递归单元（GRU），以选择用于投资组合构建的最佳预测因子。这些模型适用于由标准普尔500指数中的十只股票组成的投资领域。实验结果表明，LSTM在提前一个月预测的命中率方面优于其他方法。然后，我们构建基于预测阈值的投资组合（TBP），这些投资组合是宇宙的子集，满足预测回报的给定阈值标准。TBP每月重新平衡，以恢复TBP内各证券的同等权重。我们发现，已实现TBP的风险和回报曲线代表了风险回报平面上单调增长的前沿，其中所有十只股票的等权投资组合（EWP）在其下限中起作用。这表明了TBP在针对特定风险回报水平方面的可用性，并且基于所有资产的EWP在TBP的参考投资组合中发挥着作用。在此过程中，阈值在表征风险、回报和子集预测精度方面起着主导作用。TBP在设计投资组合目标风险和回报方面比现有的更为数据驱动，因为它不需要金融方面的先验知识，如金融假设、金融数学或专家见解。在实际应用中，我们提出了跨越多个时间段的时间范围的TBP管理程序；我们还讨论了它们在均值-方差投资组合中的应用，以降低估计风险。
---
分类信息：

一级分类：Quantitative Finance        数量金融学
二级分类：Portfolio Management        项目组合管理
分类描述：Security selection and optimization, capital allocation, investment strategies and performance measurement
证券选择与优化、资本配置、投资策略与绩效评价
--

---
PDF下载：
--> Threshold-Based_Portfolio:_The_Role_of_the_Threshold_and_Its_Applications.pdf (1.94 MB)

2022-6-1 10:44:06 上传

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：投资组合 Construction Availability Experimental Optimization

Noname手稿编号（将由编辑插入）基于阈值的投资组合：阈值的作用及其应用Sang Il Lee·Seong Joon YooReceived:date/Accepted:date摘要本文旨在开发一种新方法，通过该方法构建具有目标风险回报的adata驱动投资组合。我们首先对递归神经网络模型（RNN）进行了比较研究，包括一个简单的RNN、长短时记忆（LSTM）和选通递归单元（GRU），以选择在投资组合构建中使用的最佳预测因子。这些模型适用于由标准普尔500指数中的十只股票组成的投资领域。实验结果表明，LSTM在一个月前预测的命中率方面优于其他方法。然后，我们构建基于预测阈值的投资组合（TBP），这些投资组合是宇宙的子集，满足预测回报的给定阈值标准。TBP每月重新平衡，以恢复TBP内每个证券的同等权重。我们发现，已实现TBP的风险和回报在风险-回报平面上呈现单调增长的前沿，其中所有十只股票的等权投资组合（EWP）在其较低的基金中起着作用。这表明了TBP在针对特定风险-回报水平方面的可用性，并且基于所有资产的EWP在TBP的参考投资组合中发挥着作用。在此过程中，阈值在表征风险、回报和子集预测精度方面起着主导作用。TBP在设计投资组合目标风险和回报方面比现有的更为数据驱动，因为它不需要财务假设、财务数学或专家见解等财务知识。

在实际应用中，我们提出了跨越多个时间段的时间范围的TBP管理程序；我们还讨论了它们在均值-方差投资组合中的应用，以降低估计风险。关键词投资组合管理·递归神经网络·启发式前沿·金融时间序列Sang Il Lee韩国首尔世宗大学计算机工程系，邮编：05006电子邮件：silee@sejong.ac.krSeong韩国首尔世宗大学计算机工程系Joon YooDepartment，邮编：05006电子邮件：sjyoo@sejong.ac.kr2Sang Il Lee，Seong Joon Yoo今天，机器学习已经在金融生态系统的许多部分发挥了不可或缺的作用，从投资组合管理和算法交易，到欺诈检测和贷款/保险承保。时间序列是金融中最常见的数据类型之一，因此时间序列分析是金融和经济学中使用最广泛的传统方法之一。机器学习算法的发展为金融时间序列的复杂性建模开辟了新的前景，作为传统计量经济学模型的替代，通过有效地组合各种数据和捕捉非线性行为。因此，金融时间序列建模一直是机器学习应用于金融领域最有趣的话题之一。研究人员主要关注预测准确性或自动交易规则，成功地对金融时间序列进行建模[1、2、3、4、5、6、7、8、9、10、11、12、13、14、15、16]。然而，鉴于金融市场本质上的非线性、复杂和演化特征所产生的差异，金融建模和应用仍然令人望而生畏。另一方面，资产配置历来被视为投资和风险管理的中心问题。

马科维茨（Markowitz）[17]是第一个引入严格的分配数学框架的人，称为现代投资组合理论（MPT）。基于均值-方差优化技术，MPT提供了一种方法，通过该方法可以组合资产，并在给定风险水平下最大化投资组合的预期回报。按照马科维茨的思想，随后提出了新的投资组合模型，以便于更实际的使用，并更好地理解投资组合。例如，电子因素资产定价模型【18】、Black–Litterman模型【19】、重采样有效前沿模型【20】、全球最小方差模型【21】、最大多元化投资组合【22】和风险平价投资组合【23、24】。此外，开发了基于简单规则或市场异常情况的动态/战术资产配置，以根据市场变化自动调整投资组合【25、26、27、28】。这些研究表明，如今人们对资产有效组合的重要性达成了普遍共识。在这项研究中，我们提出了一种新的方法来构建基于数据驱动的组合回归神经网络（RNNs）的未来收益预测。在整个研究过程中，我们将此投资组合称为基于阈值的投资组合（TBP），因为其属性的特征是对predictedreturns施加的阈值水平。特别是，本研究对文献做出了以下主要贡献：o它检验了RNN预测一个月前股票回报的能力。o它开发了一种新的TBP投资组合方法，并分析了其性质阈值可用于绘制TBP边界的参数，该边界包括风险-回报平面上的TBP点集。

这意味着可以通过选择适当的阈值水平来构建具有特定风险-回报水平的投资组合等权投资组合（EWP）是TBP边界上TBP的下界。这意味着TBP可以相对于参考投资组合EW进行表征。基于阈值的投资组合3o在实际应用中，它开发了TBP的管理流程，用于在多个时期追求特定的风险-回报水平，以及将TBP纳入MPT的方法。本文的其余部分组织如下：第2节讨论了与此领域相关的一些重要工作。第3节介绍了简单递归神经网络（S-RNN）、长短时记忆（LSTM）和选通递归单元（GRU）。第4节提供了有关模型预测准确性和TBP性能的实验结果。在第5节中，我们讨论了TBP的实际应用。最后，在第6节中，我们总结了本文，并讨论了我们未来工作的可能扩展。2相关工作我们提出了基于LSTM的预测和基于预测的投资组合。2.1金融时间序列预测使用传统的计量经济模型，金融经济学家发现股票收益率和滞后变量之间存在显著的统计关系。例如，Campbell等人[29]研究了aggregatestock市场交易量与每日股票收益序列相关性之间的关系。他们提供的证据表明，高成交量日的股价下跌更有可能比低成交量日的股价下跌与预期股票回报的增加相关。

Choueifaty和Coignard【30】表明，交易量是股票回报中观察到的超前滞后模式的重要决定因素。为此，我们选择了RNN算法；通过将前一个时间步中的网络激活作为网络输入，将其反馈给当前步骤中的影响预测，这些方法对于多维金融时间序列中的时滞效应建模而言更为优越。相反，前馈神经网络（FFNN）不适合捕捉这些时间相关的动态：它们在固定大小的时间窗口上运行，因此只能提供有限的时间建模。RNN不太常用于金融时间序列预测，但最近的一些研究表明，RNN在金融时间序列预测中有很好的应用前景。Fischer和Krauss【13】部署了LSTM网络来预测股票宇宙中一天的前向运动，并通过选择第二天表现优于所有股票横截面中值回报的成分来构建子集投资组合。他们发现，LSTM网络在日平均收益率、年化标准差、年化夏普比和准确度方面优于无记忆分类方法（即随机森林（RAF）、深层神经网络（DNN）和逻辑回归分类（LOG））。最近，Bao等人【31】开发了一种称为WSAEs–LSTM的混合模型，该模型与小波变换（WT）、堆叠式自动编码器（SAE）和LSTM相结合，有效地结合了各种金融数据，包括开盘价、高价、低价、收盘价以及成交量和技术4 Sang Il Lee的历史交易数据，股票市场指数和宏观经济变量的指标。

实验结果表明，与WLSTM（即WT和LSTM的组合）、RNN和LSTM等类似模型相比，该模型能更准确地预测一天前的股价。2.2基于机器学习预测的投资组合机器学习已应用于投资组合构建，同时关注投资组合优化问题，多目标函数受到一组约束。基于机器学习的预测是一种有价值的工具，可用于缓解传统方法固有的困难，即对股票进行排名并评估其未来潜力。Freitas等人[32]提出了一种新的基于预测的投资组合优化模型，用于捕捉短期投资机会。对于巴西股市，他们将具有正常预测误差的神经网络预测值与均值-方差投资组合模型相结合，结果表明，所得到的投资组合优于均值-方差模型，并优于市场指数。最近，Mishra等人【33】开发了一种新的基于预测的均值-方差（PBMV）模型，作为传统Markowitz均值-方差模型的替代，以解决受约束的投资组合优化问题。他们提出了一种低复杂性启发式函数链接人工神经网络（HFLAN）模型，以克服马科维茨均值-方差模型中过去收益平均值的错误估计，并使用多目标进化算法（MOEA）执行投资组合优化任务。Ganeshapillai等人。

[34]提出了一种基于机器学习的方法来构建连通矩阵，并解决了在捕获重大损失等事件时相关性的不足。他们表明，该矩阵可用于构建投资组合，不仅“击败市场”，而且表现优于最优（即最小方差）投资组合。这些研究的结果表明，基于机器学习的估计可以有效地用来克服传统方法固有的某些局限性。关于基于预测的投资组合，我们的工作与这一思路一致，但更重要的是，我们将重点放在预测回报上，通过聚集股票而不是采用现有的投资组合框架，设定预测和多元化效应的阈值。这使得TVP比现有模型更具数据驱动能力。3种模型：S-RNN、LSTM、GRUS RNN【35】是传统FFNN的扩展，它将反馈连接添加到由三层组成的反馈网络：输入层、隐藏层和输出层。然而，[36]发现很难训练S-RN捕捉长期依赖性，因为梯度要么消失要么消失。或者，已经提出了LSTM【37】和GRU【38】通过使用“选通”方法来克服这个问题。LSTM算法在空间和时间上都是局部的[37]，这意味着使用随机梯度下降（SGD）优化技术学习每个权重和时间步的LSTM模型的计算复杂度为O（1），而基于时间阈值的投资组合5步的学习计算复杂度为O（W），其中W是权重数。

因此，我们的模型能够处理大规模数据，因为我们模型的计算复杂性几乎随着输入数据的长度而增长。3.1 LSTM体系结构LSTM可以通过控制隐藏层内存中添加和删除的内容，有效地学习可能在金融时间序列不同位置发现的重要信息。这是通过使用三个门的组合来实现的：（1）遗忘门，（2）输入门和（3）输出门。忘记门：LSTM单元接收当前输入xt∈ Rd，隐藏状态向量ht-1.∈ Rn和细胞状态Ct-1.∈ Rnat时间t- 1.