基于AdaBoost的投资组合优化
文章利用AdaBoost集成学习技术提升均值-方差(MV)策略的表现.首先,文章对二次期望效用损失函数进行了分歧分解,从理论上表明集成学习技术有助于提升投资组合策略的表现.其次,文章将收益率均值和协方差压缩估计量中的压缩强度设定为样本外绩效驱动,并利用迭代有效集法和梯度下降法最大化效用的值函数,从而构建了参数化的MV策略作为文章策略AdaBoost.PT的弱学习器.在实证方面,文章利用A股近25年和美股近40年的全股票样本数据,考察了集成投资组合策略在夏普率、标准差、换手率和最大回撤方面的样本外表现,并利用假设检验对夏普率差异的显著性进行验证.基于因子组合数据集的实证结果显示,基于收益率均值压缩估计量的集成策略在4个评估指标下和差异性统计检验中能够取得优于基准策略的结果,此外,使用行业组合数据集的稳健性检验同样显示出一致的结果.
投资组合优化、集成学习、分歧分解
42
F830.59;F224;O224
国家自然科学基金71991474
2022-04-27(万方平台首次上网日期,不代表论文的发表时间)
共16页
271-286