主要利用集成學習中的負相關學習思路構建了一種集成全局方差最小化（EGMV）的投資組合策略.作為機器學習領域最常用的工具之一,集成學習一般用于提升一些弱學習器的表現,其中負相關學習通過主動制造多個具有差異性的弱學習器并進行加權來提升預測效果.借鑒這一思路,在原始GMV優(yōu)化問題的基礎上引入了制造差異性的懲罰項,從而使EGMV能夠同時輸出多個差異化GMV權重估計量,隨后進行等權加權以對沖估計誤差.基于A股2000-2019年全樣本股票日收益率數據,將EGMV與多個經典投資組合策略進行了夏普率和換手率的對比,發(fā)現EGMV相比于原始GMV能夠實現比較明顯的樣本外提升,表明集成學習框架能夠被用于提升經典投資組合策略的表現. 

【文章頁數】：6 頁

【文章目錄】：
1 引言
2 理論模型
3 實證研究
    3.1 研究設計
    3.2 研究結果
4 結論


【參考文獻】：
期刊論文
[1]基于集成學習的在線高維投資組合策略[J]. 黃嵩,倪宣明,錢龍,張俊超.  系統科學與數學. 2020(01)
[2]高頻數據下高維協方差陣的RCM算法估計與應用[J]. 倪宣明,錢龍,趙慧敏,黃嵩.  系統工程理論與實踐. 2019(08)
[3]基于相對魯棒CVaR的電網投資項目組合優(yōu)化模型研究[J]. 杜英,茍全峰,楊杰,何璞玉,騫亞玲,楊佳澄.  數學的實踐與認識. 2019(09)



本文編號：3679151