本文提出一种旋转不变的神经网络架构,实现了通过协方差矩阵清洗进行端到端的全局最小方差组合优化。利用双向LSTM结构对经验协方差矩阵的特征值进行非线性滤波,同时通过可训练的滞后变换和边际波动率网络调整输入。实证结果表明模型在2000年至2024年间实现了明显更低的实现波动率、更小的最大回撤和更高的夏普比率,且其协方差估计适用于带有长仓约束的组合优化,实现了良好的泛化能力和交易成本考虑下的稳健表现
| Method | SR | Volatity | Mean Return | Neff | Turnover | Gross Leverage |
|---|---|---|---|---|---|---|
| NN | 1.011 | 0.109 | 0.110 | 15.2 | 1.125 | 3.07 |
| QIS | 0.942 | 0.111 | 0.105 | 10.6 | 0.440 | 3.81 |
| AO | 0.907 | 0.121 | 0.110 | 28.6 | 0.163 | 2.13 |
| PM | 0.902 | 0.114 | 0.102 | 10.3 | 0.534 | 4.00 |
| LS | 0.893 | 0.115 | 0.103 | 7.2 | 0.708 | 4.74 |
| MLE | 0.868 | 0.117 | 0.102 | 6.5 | 0.785 | 5.01 |
| Method | SR | Volatility | Mean Return | Neff | Turnover |
|---|---|---|---|---|---|
| NN | 0.792 | 0.135 | 0.107 | 16.5 | 0.469 |
| AO | 0.740 | 0.146 | 0.108 | 33.2 | 0.098 |
| LS | 0.723 | 0.142 | 0.103 | 13.6 | 0.142 |
| PM | 0.721 | 0.143 | 0.103 | 17.6 | 0.131 |
| MLE | 0.721 | 0.142 | 0.102 | 13.3 | 0.143 |
| QIS | 0.719 | 0.142 | 0.102 | 13.5 | 0.138 |
| SR | Mean Return | Volatility | Max Drawdown | Turnover | Neff | |
|---|---|---|---|---|---|---|
| NN | 1.046 | 0.122 | 0.117 | -0.350 | 0.589 | 33.4 |
| AO | 0.951 | 0.118 | 0.124 | -0.374 | 0.179 | 45.4 |
| PM | 0.880 | 0.109 | 0.124 | -0.387 | 0.224 | 23.9 |
| QIS | 0.859 | 0.107 | 0.125 | -0.388 | 0.230 | 19.0 |
| MLE | 0.858 | 0.107 | 0.125 | -0.385 | 0.248 | 17.9 |
| IVP | 0.678 | 0.123 | 0.181 | -0.504 | 0.058 | 728.0 |
| MCAP | 0.483 | 0.094 | 0.195 | -0.542 | 0.065 | 133.1 |
报告标题:
"END-TO-END LARGE PORTFOLIO OPTIMIZATION FOR VARIANCE MINIMIZATION WITH NEURAL NETWORKS THROUGH COVARIANCE CLEANING"
作者及机构:
发布日期及范围:
论文涵盖1990年至2024年的美股市场数据,并测试模型至2024年12月。
核心研究议题:
本报告利用旋转不变的神经网络架构,通过协方差矩阵的清理,端到端地学习并优化全球最小方差(Global Minimum-Variance, GMV)投资组合,探索基于机器学习的协方差估计与投资组合优化的融合。
核心论点与目标:
,1,2]
,1,2]
假设投资组合长时间样本内有独立同分布多元正态收益样本,GMV权重表达式:
[ \mathbf{w} = \frac{\widehat{\Sigma}^{-1}\mathbf{1}}{\mathbf{1}^\top \widehat{\Sigma}^{-1}\mathbf{1}} ]
其中 (\widehat{\Sigma})是样本协方差矩阵估计。实际样本协方差存在采样误差导致的风险膨胀,样本比率(q = n/\Delta t)越接近1,误差越大。
权重可用协方差矩阵的特征分解表示,权重对每个风险模态的贡献为其对应特征向量和特征值的逆权重调节,强调了特征值清理和特征向量准确性的必要。
实际样本特征向量估计是受噪声污染,导致投资组合风险极大,且实际数据的非稳定性(协方差时变)和重尾(较重的四阶矩估计方差)进一步恶化估计。
长仓约束下GMV问题仍是凸优化,但无解析式,需数值方法求解。
,4,5]
,6,7,8,9]
-展示多次独立训练的训练损失与验证损失轨迹,反映无过拟合迹象,验证损失同样连续下降保证泛化能力。
-收敛大约在60个epoch后稳定,100个epoch训练足矣保持性能。
-上方两图揭示α_t和β_t的时间作用权重特征:α_t符合幂律衰减,β_t呈饱和递增,近似软截断强度随时间增大。
-下方变换示意图,较远滞后数据几乎被二值化(符号信息,Phi系数相关),近期数据保留近乎斯皮尔曼相关性质的连续度。
-该动态变换提升了滞后数据处理的灵活性与鲁棒性。
-左图比较MLE、QIS和本NN处理后的中位数光谱,NN清理收敛于压缩的特征值块,类似于截断硬剪枝,区别于平滑收缩的QIS。
-右图表明NN法对光谱块的估计稳定性更高,即对输入样本的敏感度更低,显示出对资产无关的稳健性,模仿平均Oracle特性。
-NN映射曲线使低波动资产波动率变换趋于平坦,而高波动资产的波动率被扩张,帮助风险增权,更精细地调整边际风控。
| 方法 | Sharpe比率(SR) | 年化波动率 | 年化收益率 | 有效资产数 | 换手率 | 总杠杆率 |
|---|---|---|---|---|---|---|
| NN | 1.011 | 10.9% | 11.0% | 15.2 | 112.5% | 3.07 |
| QIS | 0.942 | 11.1% | 10.5% | 10.6 | 44.0% | 3.81 |
| AO | 0.907 | 12.1% | 11.0% | 28.6 | 16.3% | 2.13 |
| PM | 0.902 | 11.4% | 10.2% | 10.3 | 53.4% | 4.00 |
| LS | 0.893 | 11.5% | 10.3% | 7.2 | 70.8% | 4.74 |
| MLE | 0.868 | 11.7% | 10.2% | 6.5 | 78.5% | 5.01 |
| 方法 | SR | 波动率 | 收益率 | 有效资产数 | 换手率 |
|---|---|---|---|---|---|
| NN | 0.792 | 13.5% | 10.7% | 16.5 | 46.9% |
| AO | 0.740 | 14.6% | 10.8% | 33.2 | 9.8% |
| 其他方法均SR约0.72,波动率约14.2%。 |
模型从根本上减少协方差估计误差及结构性风险,同时结合完整交易成本模拟体现了全面风险管理思路。
本文提出并验证了一种面向全球最小方差投资组合优化的端到端神经网络架构,其创新点在于融合经典GMV数学框架与现代机器学习技术,通过三大模块(滞后变换、双向LSTM特征值清理、边际波动率MLP)协同优化协方差矩阵估计并直接最小化未来投资组合风险。
系统:
实验表明,该模型经过24年历史数据训练可泛化到1,000只股票的规模,表现均优于包括非线性收缩(QIS)、平均Oracle及样本MLE在内的基准方法:
此外,模型结构设计本身数学可解释,搭建了明确与经典MPT公式的桥梁,避免纯黑盒缺陷,有助实务接受和推广。
未来方向包括:
综合来看,报告展现了机器学习技术与金融经典理论深度融合的实证价值,对风险管理和投资组合优化提供了强有力的工具创新,值得进一步研究与产业应用。
图1 - 神经网络架构示意:
图2 - 训练与验证损失趋势:
图3 - 滞后权重和变换函数:
图4 - 特征值敏感度比较:
图5 - 边际波动率变换:
图6 - 现实交易约束下净值、波动率与最大回撤动态:
(以上所有分析、引用严格对应报告原文内容及页码–21])
2507.01918.pdf