投資組合優化

登入

洞見 - 投資組合優化

本文展示了如何利用深度學習，特別是人工神經網路，來解決動態投資組合優化問題，並透過模擬結果驗證了該方法的有效性。

本文提出了一種基於變分貝葉斯方法的新穎投資組合建構演算法，該演算法在最大化指數效用函數的框架下，有效地解決了貝葉斯決策問題，並在真實數據集上展現出優於傳統方法的效能。

本文提出了一種名為「子集二階隨機佔優」(subset SSD) 的新型投資組合優化方法，旨在構建一個表現優於給定市場指數的投資組合，同時考慮投資組合在不同市場產業中的配置比例，並透過實證結果證明其有效性。

本文提出了一種基於全模擬管線，利用連續 Hopfield 神經網路進行投資組合優化的方法，該方法能有效估計資產收益的共變異數矩陣，並快速計算出最佳投資組合，尤其適用於時間敏感的投資決策。

本文重新審視了 Merton 的最優投資組合問題，並在股票可能在外部隨機時間破產的條件下，推導出在有限到期日內最大化預期等彈性效用之投資組合的解析解。

本研究提出了一種新的成本敏感型分佈穩健對數最優投資組合優化方法，利用 Wasserstein 度量來量化報酬分佈的不確定性，並納入了一般的凸交易成本模型，以解決實際交易中的穩健性和計算效率問題。

本文將神經網路應用於受限投資組合優化問題，提出了一種雙重控制神經網路方法，以計算受限生命週期模型的最佳交易和保險策略，並發現在考慮交易限制時，個人將減少其對人壽保險的需求。

本文研究了在擁有未來資訊但資訊流延遲的情況下，非對稱資訊交易者如何優化其投資組合，並發現即使存在延遲，未來資訊仍然具有價值。

本文探討了在市場監管約束（即一定程度的風險）下，(再)保險公司如何利用樣本平均逼近法解決基於條件風險價值（CVaR）約束的投資組合優化問題。

在風險資產收益率服從雙曲分佈且投資者具有廣泛類型的凹效用函數的經濟模型中，雙基金貨幣分離定理成立，即投資者的最優投資組合可以表示為無風險資產和包含所有風險資產的共同基金的線性組合。

關於我們

產品

資源