主要行业
点击进入可选择细分行业
【免责条款】
1. 用户直接或通过各类方式间接使用慧博投研资讯所提供的服务和数据的行为,都将被视作已无条件接受本声明所涉全部内容;若用户对本声明的任何条款有异议,请停止使用慧博投研资讯所提供的全部服务。
2. 用户需知,研报资料由网友上传,所有权归上传网友所有,慧博投研资讯仅提供存放服务,慧博投研资讯不保证资料内容的合法性、正确性、完整性、真实性或品质;
3. 任何单位或个人若认为慧博投研资讯所提供内容可能存在侵犯第三人著作权的情形,应该及时向慧博投研资讯提出书面权利通知,并提供身份证明、权属证明及详细侵权情况证明。慧博投研资讯将遵循"版权保护投诉指引"处理该信息内容;
4.本条款是本站免责条款的附则,其他更多内容详见本站底部《免责声明》;
主要观点:
本篇是“学海拾珠”系列第一百九十篇,文章提出了一种新的投资组合优化方法,包含合成数据生成技术、特征信息增强以及CVaR约束。http://www.hibor.com.cn【慧博投研资讯】
融合CvaR约束与特征信息的投资组合问题
考虑到大多数投资组合更注重避免损失而不是波动,文章选择条件风险价值(CVaR)作为合适的风险度量,并将非线性优化问题进行离散化与线性化。http://www.hibor.com.cn(慧博投研资讯)同时,文章根据特征与经济环境的相似性对收益序列赋予相应的重要性,以此将特征信息添加到优化问题中。
使用改进的CTGAN模型生成合成数据
文章旨在通过CTGAN生成能够感知市场环境的合成数据,具体步骤包括对原始数据集利用PCA进行正交化处理,并通过聚类方法生成离散向量,然后使用主成分与离散向量训练CTGAN以生成合成样本。最后,利用存储的特征向量将合成数据集反向投影到原始空间中,得到最终的合成数据集。这一过程为优化问题提供了足量数据,并确保了合成数据通过适应不同市场环境以更好地捕捉历史数据的基本特征。
案例分析表明CTGAN-方法的有效性
文章选取十种资产进行回测,结果显示,CTGAN生成的数据能很好地捕捉历史数据的基本特征,并且将合成数据与基于CVaR的优化框架结合使用时,可生成样本外性能令人满意的投资组合。
文献来源
核心内容摘选自José-Manuel Pe?a, Fernando Suárez, Omar Larre,Domingo Ramírez, Arturo Cifuentes于2024年2月22日在QuantitativeFinance上的文章《AModified CTGAN-Plus-Features Based Method forOptimal Asset Allocation》
风险提示
文献结论基于历史数据与海外文献进行总结;不构成任何投资建议。
为了完善报告评分体系,请在看完报告后理性打个分,以便我们以后为您展示更优质的报告。
您也可以对自己点评与评分的报告在“我的云笔记”里进行复盘管理,方便您的研究与思考,培养良好的思维习惯。
正在加载,请稍候...