发现智能资产配置的贝叶斯市场观点

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：
《Discovering Bayesian Market Views for Intelligent Asset Allocation》
---
作者：
Frank Z. Xing and Erik Cambria and Lorenzo Malandri and Carlo
  Vercellis
---
最新提交年份：
2018
---
英文摘要：
  Along with the advance of opinion mining techniques, public mood has been found to be a key element for stock market prediction. However, how market participants\' behavior is affected by public mood has been rarely discussed. Consequently, there has been little progress in leveraging public mood for the asset allocation problem, which is preferred in a trusted and interpretable way. In order to address the issue of incorporating public mood analyzed from social media, we propose to formalize public mood into market views, because market views can be integrated into the modern portfolio theory. In our framework, the optimal market views will maximize returns in each period with a Bayesian asset allocation model. We train two neural models to generate the market views, and benchmark the model performance on other popular asset allocation strategies. Our experimental results suggest that the formalization of market views significantly increases the profitability (5% to 10% annually) of the simulated portfolio at a given risk level.
---
中文摘要：
随着意见挖掘技术的进步，公众情绪已被发现是股市预测的关键因素。然而，公众情绪如何影响市场参与者的行为却鲜有讨论。因此，在利用公众情绪解决资产配置问题方面进展甚微，这是一种值得信赖和可解释的方式。为了解决从社交媒体分析公众情绪的问题，我们建议将公众情绪形式化为市场观点，因为市场观点可以整合到现代投资组合理论中。在我们的框架中，最优市场观点将通过贝叶斯资产配置模型在每个时期实现收益最大化。我们训练两个神经模型来生成市场视图，并在其他流行的资产配置策略上对模型性能进行基准测试。我们的实验结果表明，在给定的风险水平下，市场观点的形式化显著提高了模拟投资组合的盈利能力（每年5%-10%）。
---
分类信息：

一级分类：Quantitative Finance        数量金融学
二级分类：Computational Finance        计算金融学
分类描述：Computational methods, including Monte Carlo, PDE, lattice and other numerical methods with applications to financial modeling
计算方法，包括蒙特卡罗，偏微分方程，格子和其他数值方法，并应用于金融建模
--
一级分类：Computer Science        计算机科学
二级分类：Artificial Intelligence        人工智能
分类描述：Covers all areas of AI except Vision, Robotics, Machine Learning, Multiagent Systems, and Computation and Language (Natural Language Processing), which have separate subject areas. In particular, includes Expert Systems, Theorem Proving (although this may overlap with Logic in Computer Science), Knowledge Representation, Planning, and Uncertainty in AI. Roughly includes material in ACM Subject Classes I.2.0, I.2.1, I.2.3, I.2.4, I.2.8, and I.2.11.
涵盖了人工智能的所有领域，除了视觉、机器人、机器学习、多智能体系统以及计算和语言（自然语言处理），这些领域有独立的学科领域。特别地，包括专家系统，定理证明（尽管这可能与计算机科学中的逻辑重叠），知识表示，规划，和人工智能中的不确定性。大致包括ACM学科类I.2.0、I.2.1、I.2.3、I.2.4、I.2.8和I.2.11中的材料。
--

---
PDF下载：
-->

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：资产配置 市场观 贝叶斯 Participants social media

发现智能资产配置的贝叶斯市场视图？Frank Z.Xing、Erik Cambria、Lorenzo Malandri和Carlo VercellisSchool，南洋理工大学计算机科学与工程学院数据挖掘与优化研究组，Politecnico di Milano{zxing001，Cambria}@ntu。埃杜。sg{lorenzo.malandri，carlo.vercellis}@polimi。IT摘要。随着意见挖掘技术的进步，公众情绪已被发现是股市预测的关键因素。然而，公众情绪如何影响市场参与者的行为却鲜有讨论。因此，在利用公众情绪解决资产配置问题方面进展甚微，这是一种值得信赖和可解释的方式。为了解决从社交媒体分析公众情绪的问题，我们建议将公众情绪形式化为市场观点，因为市场观点可以整合到现代投资组合理论中。在我们的框架中，最优市场观点将通过Bayesianasset分配模型在每个时期实现收益最大化。我们训练两个神经模型来生成市场视图，并在其他流行的资产配置策略上对模型性能进行基准测试。我们的实验结果表明，在给定风险水平下，市场观点的形式化显著提高了模拟投资组合的可行性（每年5%-10%）。关键词：市场观点、公众情绪、资产配置1简介销售和宏观经济因素是股票走势背后的一些驱动力，但还有许多其他因素。例如，市场参与者的主观观点也有重要影响。随着过去几十年社交媒体的日益普及，人们倾向于快速表达和交流他们的想法和观点[21]。因此，他们的观点的重要性急剧上升。

目前，股票走势基本上受到新信息和投资者信念的影响【17】。同时，情绪分析已经成为分析社交媒体上共享观点的新工具。它是有效计算研究的一个分支，旨在将自然语言话语分为积极或消极，有时也分为中性[9]。在金融领域，情绪分析经常用于获取公众对公司的情绪数据流，？即将在ECML-PKDD 2018.2 F.Xing et al.stock或the economy上发布的相机就绪版本。公众情绪是个人情绪的集合，可以从各种来源获得和估计个人情绪，如股票留言板[2,19]、博客、报纸和真正简单的联合（RSS）订阅源[34]。最近，推特（Twitter）已成为主流微博平台，许多作品都依赖推特进行调查，例如[27,23,20]。此前的许多研究都支持公众情绪有助于预测股市的说法。例如，考虑公众情绪的模糊神经网络模型在预测市场指数时达到了很高的定向精度。情绪时间序列也是市场指数的格兰杰原因[4]。Si等人构建了一个基于主题的实体时间序列，并使用向量自回归模型更好地预测市场指数，以交互链接这两个序列【26】。赫斯特指数还发现，从金融新闻中提取的情绪时间序列具有长期依赖性，类似于许多市场指数[8]。尽管公众情绪在股市预测中起着重要作用，但我们认为公众情绪不会直接影响市场：它是通过市场参与者的观点间接影响市场的。市场参与者作为代理人采取的行动取决于他们自己的观点以及他们对其他代理人观点的了解。

资产价格的变化就是这些行为的后果。这些假设与使用生产率、均衡和商业周期模型的计量经济学研究非常不同【1】，但更接近基于代理的模型【14】。然而，即使在后一种情况下，市场观点如何由公众情绪形成的机制也被严重忽视。一个直观的假设是：公众情绪越快乐，股价就越高。然而，在现实市场中，这种关系要复杂得多。因此，人工智能的现有超级金融应用似乎无法让专业人士信服。在本文中，我们试图通过提出一种将公众情绪结合起来形成计算市场观点的方法来弥补这一差距。为了验证我们的观点的质量，我们使用构建的投资组合模拟交易绩效。本文的主要贡献可以总结如下：1。基于贝叶斯资产配置模型，我们引入了更严格、更容易计算的市场视图定义。我们证明了我们的定义是可兼容的，并且具有与原始形式相同的表达能力。2、我们提出了一种新的在线优化方法，通过解决投资组合收益的时间最大化问题来估计预期回报。3、我们的实验表明，使用市场视图借用公众情绪数据流的投资组合绩效优于直接训练没有视图的神经生长模型。这一优势对于选择了正确参数以生成市场视图的不同模型来说非常强大。论文的其余部分组织如下：第四节。2解释了贝叶斯资产配置的概念；接下来，我们将在第节中描述为建模市场视图而开发的方法。3.我们通过在第节的各种实验设置下运行交易模拟来评估这种方法。

4并用第节中的一个例子来说明我们模型的可解释性。5.最后，门派。6总结本文并描述未来的工作。发现贝叶斯市场观点32贝叶斯资产配置投资组合构建框架[18]是半个多世纪以来流行的投资模型。鉴于初始资本的数量，投资者需要将其分配到不同的资产。基于资产回报与投资者承担的风险之间的交易理念，均值方差法提出了有效投资组合的条件，如下所示[18,29]：最大化回报项目z}{NXi=1uiwi-风险项目z}|{δNXi=1NXj=1wiσijwj（1）受试者toNXi=1wi=1，i=1，2，…，N.wi≥ 0.其中δ是风险规避的一个指标，它扩大了投资组合中相应资产的权重，ui表示资产i的预期收益，σij表示资产i和j的收益之间的差距。因此，有效投资组合的优化权重由式1的一阶条件给出：w*= (δΣ)-1u（2），其中∑是资产回报的协方差矩阵，u是预期回报的向量ui。在持有w的风险水平下*, 有效的投资组合实现了最大的组合预期回报。然而，当在实际案例中应用这种均值-方差方法时，会面临许多问题。例如，资产回报的两个时刻很难准确估计，因为它们是非平稳时间序列。马科维茨模型对作为输入的估计收益率和波动率非常敏感，这一事实使情况更加恶化。由于u或∑的误差很小，优化权重可能会非常不同。为了解决马科维茨模型的局限性，Black和Litterman提出了一种贝叶斯方法，该方法综合了投资者判断的额外信息和市场基本面[3]。

在Black-Litterman模型中，投资组合的预期收益uBLof由两个前因推断：资本资产定价模型（CAPM）计算的市场均衡风险溢价∏，以及投资者预期收益的一组观点。Black Litterman模型假设均衡收益按需求正态分布~ N（π，τ∑），其中∑是资产回报率的协方差矩阵，τ是∏CAPM估计的置信水平的指标。投资者代理人对预期回报的市场观点也以rviews的形式进行了正常分布~ N（Q，Ohm).随后，提供theviews的投资组合回报的后验分布也是高斯分布。如果我们用rBL表示此分布~ N（\'u，\'∑），则\'u和∑将是上述变量的函数（见图1）。u,Σ= f（τ，∑，Ohm, ∏，Q）（3）4 F.Xing等人图1。预期收益的后验分布，如黑色同床模型，其平均值介于两个先验分布之间，方差小于两者。通过对后验预期收益的概率密度函数应用贝叶斯定理，可以归纳出该函数：pdf（|u）=pdf（|u∏）pdf（π）pdf（π）pdf（π|u）（4）。然后，优化的贝叶斯投资组合权重具有与式2类似的形式，仅将∑和u替换为∑和|u：w*BL=（δ′∑）-1u. （5） 对布莱克·利特曼模型最常见的批评是投资者观点的主观性。换言之，该模型诉诸于高质量的市场观点，而如何实际形成这些观点的问题却没有得到回答。在第节中。

3、我们将研究从网络上提取的公众情绪自动形成市场观点的可能性，以及每个时间段投资组合回报的最大化。3方法学3.1建模市场观点Black-Litterman模型定义了一种观点，即投资组合的预期收益具有正态分布，平均值等于q，标准偏差为ω。这种假设的投资组合被称为视图投资组合[13]。在实践中，有两种直观的市场观点，称为相对观点和绝对观点，我们对此特别感兴趣。接下来，我们介绍这两种类型视图的形式化。由于标准差ω可以解释为对视图投资组合预期回报的信心，因此相对视图的形式为“我有ω信心，资产x将比资产y跑赢a%（就预期回报而言）”；绝对观点的形式是“我确信资产z的表现将超过（整个）市场b%”。因此，对于由n个资产组成的投资组合，一组k个视图可以由三个矩阵Pk、n、Qk、1和Ohmk、 k.发现贝叶斯市场观点5Pk，9表示观点中提到的资产。Pk，n的每行之和应为0（相对视图）或1（绝对视图）；Qk，1是一个向量，包含每个视图的预期回报。从数学上讲，信心矩阵Ohmk、 kis是视图之间协方差的度量。Black Litterman模型假设视图相互独立，因此信任矩阵可以写成Ohm = diag（ω，ω，…，ωn）。事实上，只要k视图是兼容的（不是自相矛盾的），这种假设就不会影响视图的表达能力。因为什么时候Ohmk、 kis不是对角线，我们总是可以进行光谱分解：Ohm = 五、Ohm∧V-1.

然后，我们将新的提及和新的预期回报矩阵写成P∧=V-1P，Q∧=V-1Q，其中Ohm∧是对角线。在这些构造下，我们在定理1和定理2中介绍了ViewMatrix的两个重要性质。定理1（独立视图的兼容性）。任何一组独立视图都是兼容的。证据兼容视图是指可以同时容纳的视图。例如，{资产x将比资产y好3%，资产y将比资产z好5%，资产x将比资产z好8%}是兼容的。然而，如果我们将第三个视图更改为“资产z的表现将比资产x好8%”，那么视图集就变得自相矛盾了。因为第三个视图实际上是前两个视图的演绎，所以该视图集被称为“非独立”。假设有一对不兼容的视图{p，q}和{p，q}，q 6=q。这两个视图要么显式声明，要么可以从一组k个视图派生。因此，存在两种不同的线性组合，即：kXi=1aipi=pkXi=1aiqi=qkXi=1bipi=pkXi=1biqi=qwhere（ai- bi）不全是零。因此，我们的KPI=1（ai-bi）pi=0，这意味着矩阵P是秩系数，k视图不是独立的。根据反正定律，“所有独立的视图集都是相容的”这句话是正确的。utTheorem 2（绝对视图矩阵的通用性）。任何一组独立的相对视图和绝对视图都可以用非奇异的绝对视图矩阵表示。证据假设矩阵P具有r个相对视图和（k- r） 绝对视图。Pk，n=p1,1p1,2···p1，n。。。。。。。。。。。。pr，1pr，2···pr，n。。。。。。。。。。。。pk，1pk，2···pk，n6 F.Xing等人。相应的回报向量为Q=（Q，Q，…，qk），资产的资本权重向量为w=（w，w，…，wk）。

因此，我们可以写出关于r个新变量{q，q，…，qr}的（r+1）方程，其中j=1，2。。。，r： 1+qj=rXi6=j（1+qi）wiPs6=jws（1+qj）rXi=1qiwi+kXi=r+1qiwi=Qw |如果我们将{assetr+1，…，assetk}视为一项资产，则该资产的收益由Pr，n决定。因此，上述（r+1）等式中的r是独立的。根据Cramer规则，上述（r+1）方程存在唯一解Q=（Q，Q，…，qr，qr+1，…，qk），因此对于所有考虑的资产，视图矩阵{P，Q}等价于视图矩阵{P，Q}，其中PK，n=1 0 · · · 0............0 pr，r=1···0。。。。。。。。。。。。pk，1pk，2···pk，n.现在，Pk，只包含绝对视图。通过删除这些依赖视图，我们可以得到一个仅由绝对视图和iscompatible组成的非奇异矩阵。给定定理1和定理2，在不丧失一般性的情况下，我们可以使用以下等效但更严格的市场观点定义来降低计算复杂性。定义1。n资产的市场观点可以用三个矩阵pn、n、Qn、1和Ohmn、 n，其中Pn，nis为单位矩阵；Qn，1∈ 注册护士；Ohmn、 nis非负对角矩阵。3.2信任矩阵——最原始的黑人同龄人模型——信任矩阵Ohm 根据投资者经验手动设置。而在[13]给出的数字样本中，置信矩阵是从平衡卵巢矩阵中推导出来的：^Ohm= diag（P（τ∑）P）（8）这是因为P（τ∑）P也可以理解为视图中预期收益的协方差矩阵。使用我们的定义，更容易理解这个估计，因为P是一个单位矩阵，P（τ∑）pi已经是对角的。基本假设是，对资产i的绝对观点的方差与资产i的波动率成比例。

在这种情况下Ohm 利用资产价格波动的预测信息。发现贝叶斯市场视图73.3最优市场视图我们可以获得最优市场视图{P，Q，Ohm} 以一种混合的方式，我们首先采用信心矩阵^Ohm, 然后，可以使用Black Litterman模型从逆优化问题导出Q。我们从最佳投资组合权重开始，该权重使每个时期的投资组合回报率最大化。显然，在没有卖空和交易费用的情况下，一个人应该每天将其全部资本重新投资到下一个时期增长最快的资产上。因此，每个时间段t的最佳保持权重采用aone热向量的形式，其中 和 表示元素划分和乘积：w*t=argmax重量 价格 价格+1（9）让这个*t根据等式1的解，我们将得到：w*t=（δ′∑t）-1ut（10），其中黑色同窝动物模型给出：∑t=∑t+[（τ∑t）-1+P^Ohm-1吨]-1（11）ut=[（τ∑t）-1+P^Ohm-1吨]-1[（τ∑t）-1∏t+P^Ohm-1tQt]（12）根据公式10、11和12，我们的市场观点在每个时期t的最佳预期回报为：Q*t=^Ohm0，t[（τ∑t）-1+P^Ohm-10，tP]？ut- （τ∑t）-1∏t= δ[^Ohm0，t（τ∑t）-1+I]\'∑tw*t型-^Ohm0，t（τ∑t）-1∏t=δ[^]Ohm0，t（τ∑t）-1+I][∑t+[（τ∑t）-1+^Ohm-1吨]-1] w*t型-^Ohm0，t（τ∑t）-1∏t（13）3.4使用神经模型生成市场视图Seq。13为确定最佳市场观点的预期回报提供了理论视角。然而，计算w*t需要未来资产价格，而这是无法获取的。因此，可行的方法是学习近似Q*t将历史数据和其他优先级作为输入。我们使用资产价格、交易量和公众情绪数据流的时间序列来训练神经模型（nn），以解决最佳市场视图的近似问题：^Qt=nn（价格、交易量、情绪；Q*t） （14）我们表示资产价格的时间序列-k、 价格-k+1。。。，alag操作员L0定价~K价格。