- Обобщенная матрица точности для распределений t-Стьюдента в оптимизации портфеля (arXiv)
Автор:Каролин Бакс, Эмануэле Тауфер, Сандра Патерлини
Аннотация:модель Марковица по-прежнему является краеугольным камнем современной теории портфеля. В частности, при рассмотрении портфеля с минимальной дисперсией единственным требуемым вводом является ковариационная матрица или, лучше сказать, обратная ей матрица, так называемая матрица точности. До сих пор большинство ученых работали над улучшением оценки входных данных, однако мало внимания уделялось ограничениям обратной матрицы ковариации при захвате структуры зависимости в негауссовской настройке. В то время как матрица точности позволяет правильно понять структуру условной зависимости случайных векторов в гауссовской настройке, обратная ковариационная матрица не обязательно может привести к надежному источнику информации, когда гауссова система не работает. В этой статье, используя функцию локальной зависимости, даются различные определения обобщенной матрицы точности (GPM), которая справедлива для общего класса распределений. В частности, мы сосредоточимся на многомерном t-распределении Стьюдента и укажем, что взаимодействие в случайных векторах зависит не только от обратной ковариационной матрицы, но и от дополнительных элементов. Мы проверяем эффективность предлагаемого GPM, используя настройку портфеля с минимальной дисперсией, учитывая данные S\&P 100 и Fama и французской отрасли. Мы показываем, что портфели, основанные на GPM, часто генерируют статистически значимые более низкие отклонения вне выборки, чем современные методы.
2. Объединение прогнозов настроений и цен активов для оптимизации портфеля (arXiv)
Автор: Муфхумудзи Мутивхи, Теренс Л. ван Зил
Аннотация. Объединение данных об общественном мнении в виде текста с прогнозами цен на акции вызывает растущий интерес в финансовом сообществе. Однако в исследовательской литературе редко рассматривается применение настроений инвесторов в проблеме выбора портфеля. Эта статья направлена на то, чтобы раскрыть и развить более глубокое понимание проблемы выбора портфеля с учетом настроений. С этой целью в исследовании используется модель семантического внимания для прогнозирования отношения к активу. Мы выбираем оптимальный портфель с помощью рекуррентной нейронной сети Long Short Term Memory (LSTM) с учетом настроений для прогнозирования цен и стратегии среднего отклонения. Наши портфельные стратегии настроений добились в среднем значительного увеличения дохода по сравнению с моделями без учета настроений. Однако результаты показывают, что наша стратегия не превосходит традиционные стратегии распределения портфеля с точки зрения стабильности. Мы утверждаем, что улучшенное слияние прогнозирования настроений с комбинацией прогнозирования цен и оптимизации портфеля приводит к улучшенной стратегии выбора портфеля.
3. Качество решения Вассерштейна и алгоритм квантовой приближенной оптимизации: пример оптимизации портфеля (arXiv)
Автор: Джек С. Бейкер, Сантош Кумар Радха
Аннотация:Оптимизация портфеля финансовых активов является критической промышленной проблемой, которая может быть приблизительно решена с использованием алгоритмов, подходящих для блоков квантовой обработки (QPU). Мы оцениваем успех этого подхода, используя алгоритм квантовой приближенной оптимизации (QAOA); алгоритм, нацеленный на QPU модели ворот. Наше внимание сосредоточено на качестве решений, достигнутых в соответствии с нормализованным и дополнительным расстоянием Вассерштейна, η, которое мы представляем таким образом, чтобы представить QAOA как переносчик вероятности. Используя η в качестве критерия производительности для конкретного приложения, мы измеряем его при выборе QPU как функцию глубины схемы QAOA p. При n = 2 (2 кубита) мы находим пик качества решения при p = 5 для большинства систем, а при n = 3 этот пик приходится на p = 4 на QPU с захваченным ионом. Повышение качества решения с p также наблюдается с использованием вариантов более общего квантового переменного оператора Ansätz при p = 2 для n = 2 и 3, о которых ранее не сообщалось. В идентичных измерениях наблюдается переменность η на уровне, превышающем шум от конечного числа выстрелов. Это говорит о том, что сама изменчивость должна рассматриваться как эталон производительности QPU для данных приложений. Изучая идеальное выполнение QAOA, мы обнаруживаем, что качество решения p=1 ухудшается, когда бюджет портфеля B приближается к n/2, и повышается, когда B≈1 или n−1. Эта тенденция напрямую соответствует биномиальному коэффициенту nCB и связана с недавно обнаруженным явлением дефицита достижимости. Классические оптимизаторы, требующие производных, и классические оптимизаторы без производных проверяются на основе достигнутого η за пределами p = 1, чтобы определить, что оптимизаторы без производных, как правило, более эффективны для данных вычислительных ресурсов, размеров задач и глубины схемы.
4. Некоторые связи между методами оптимизации портфеля более высоких моментов (arXiv)
Автор: Фаршад Норавеш, Кристиан Керстенс
Аннотация: В этой статье различные подходы к оптимизации портфеля, имеющие более высокие моменты, такие как асимметрия и эксцесс, классифицируются, чтобы читатель мог наблюдать различные парадигмы и подходы в этой области исследований, что важно для практиков в области хеджирования. Фонды в частности. Рассмотрены несколько методов, основанных на различных парадигмах, таких как подход полезности и многокритериальная оптимизация, и объяснены преимущества и недостатки этих идей. Ключевые слова: многокритериальная оптимизация, оптимизация портфеля, масштабирование, полезность.
5. Обнаружение сообщества и оптимизация портфолио (arXiv)
Автор: Лунфэн Чжао, Чао Ван, Ганг-Цзинь Ван, Х. Юджин Стэнли, Лин Чен
Вывод. Методы обнаружения сообщества можно использовать для изучения структуры сложных систем. Хорошо известные модульные конфигурации в сложных финансовых системах указывают на существование структур сообщества. Здесь мы анализируем свойства сообщества корреляционных сетей на мировых фондовых рынках и используем информацию сообщества для построения портфелей. Портфели, созданные с использованием методов обнаружения сообщества, работают хорошо. Наши результаты могут быть использованы в качестве новых инструментов оптимизации портфеля и управления рисками.
