加载中...
本文提出一种基于无遗憾(no-regret)在线学习的组合配置框架,结合市场情绪过滤与LLM驱动的伪对冲/动态聚类,在季度低频再平衡下能显著提升风险调整后收益:相较于SPY基准,实证中年化收益与Sharpe比率均大幅提升,同时显著降低最大回撤与波动率 .
| 策略 / 配置 | 年化收益(%) | 波动率 | 最大回撤 | Sharpe |
|---|---|---|---|---|
| NRL (Calmar目标,示例最优) | 18.91 | 0.15 | 0.16 | 1.03 |
| NRL (Return目标) | 16.81 | 0.17 | 0.22 | 0.80 |
| Online MAD (对照) | 13.56 | 0.14 | 0.24 | 0.74 |
| Hedge (multiplicative) | 17.90 | 0.19 | 0.34 | 0.76 |
元数据与概览(引言与报告概览)
逐节深度解读
图表深度解读(每一重要图/表逐一解析)
估值/性能分析(实证结果与驱动因素剖析)
风险因素评估(报告已识别的风险与作者限制)
批判性视角与细微差别(审慎评估)
结论性综合
如需,我可以:
2601.17021.pdf