本文提出一种基于神经网络的新型函数生成投资组合(FGP)方法,将生成函数表示为可训练的神经网络,旨在最大化相对市场投资回报。该方法结合了随机投资组合理论的理论结构和机器学习的数据驱动适应性,避免了传统FGP中求解复杂偏微分方程的计算限制。实验通过合成和真实市场数据验证,显示神经FGP在多个测试窗口内显著优于等权、市场及多样性加权基准组合,证明其稳健性和高效性
| 策略 | 平均终止对数收益 |
|---|---|
| Neural FGP | 0.078694 |
| EWP | 0.0092019 |
| Market | -9.79e-07 |
| DWP (p=0.3) | 0.0066033 |
| DWP (p=0.5) | 0.0047832 |
| DWP (p=0.8) | 0.0019446 |
| 策略 | 平均终止对数收益 |
|---|---|
| Neural FGP | 0.0785746 |
| EWP | 0.0121577 |
| Market | -1.08e-06 |
| DWP (p=0.3) | 0.0082537 |
| DWP (p=0.5) | 0.0057625 |
| DWP (p=0.8) | 0.0022184 |
本报告提出了一种创新的基于神经网络的函数生成型投资组合(Neural FGP)构建框架,旨在通过神经网络学习生成函数 ( G(\cdot) ),进而构造投资组合。传统的函数生成型投资组合利用确定性的生成函数构造自融资组合,绕过了对市场漂移率和协方差矩阵的估计,提供了模型鲁棒性。作者创新地结合神经网络,将生成函数参数化为神经网络 ( G_\theta(\cdot) ),利用自动微分及结构设计(如输入凸神经网络 ICNN)确保理论性质,直接通过市场权重历史数据训练此生成函数,目标最大化相对市场组合的收益。
该策略在实证与模拟数据中均显示出超越经典函数生成投资组合基准(如等权重组合、市场组合、多样性加权组合)的表现,兼具理论严谨性与实际灵活性。最终,作者总结了该方法的贡献、优势及未来扩展方向。
主要信息传递是:利用神经网络加持的函数生成组合不仅理论上可行,且实证效果显著优于传统基准,且在高维环境与复杂市场动态中有较强适用性。,3,6,8]
作者从随机投资组合理论(Stochastic Portfolio Theory,SPT)角度入手。SPT由Fernholz提出,是经典金融资产定价的一个重要分支,与经典无套利定价理论相比,假设更弱:不要求严格无套利(NFLVR),而采用较弱的“NUPBR”假设,即存在局部鞅折算因子(local martingale deflators)。该理论无需隐含漂移和波动率估计,使得组合构造在高模型不确定性下依然稳健。
核心工具是函数生成型投资组合(FGP),它通过一个确定性的两次可微正数函数 ( G(\cdot) ) 定义组合权重,有别于对资产漂移和协方差的显式建模。FGP使得组合的相对财富过程有路径分解(master formula),可直接利用市场权重的协方差结构,规避了常见难以估计的量。FGP是构建“相对套利”(相对市场的超额收益)的利器。,1,2]
市场权重向量 (\mu(t)) 位于正的单位单纯形(\Delta_+^n)
生成函数 (G: U \supset \Delta_+^n \to (0, \infty)),满足2次可微。
组合权重公式为: [ \pi_i(t) = \left(D_i \log G(\mu(t)) + 1 - \sum_j \mu_j(t) D_j \log G(\mu(t))\right) \mu_i(t), ] 保证组合自融资及权重和为1。
相对财富过程满足master formula: [ \log\frac{V^\pi(T)}{V^\mu(T)} = \log\frac{G(\mu(T))}{G(\mu(0))} + \int_0^T q(t) dt, ] 其中 (q(t)) 与生成函数的二阶导数及市场权重协方差矩阵 (\tau_{ij}^\mu(t)) 相关。
本节强调了FGP不仅理论地相对套利最优,且由于依赖可观察权重及其协方差,使其在模型不确定环境中更具吸引力。,2,3]
基于FGP的稳健性与理论结构,作者提议用神经网络形态对生成函数进行参数化,设计并训练 ( G_\theta(\cdot) ),通过最大化训练历史数据上的对数相对收益达到最优化目的。该方法弥补传统FGP限制(如求解高维parabolic PDE难度大),并注入机器学习的自适应能力。
这种组合体现了理论创新和工程实现上的实用考量。,4,5]
该实验通过系统的滚动测试和多重基准组合,展示了Neural FGP在理论与实证数据场景下都实现了明显的相对市场超越,且优于均匀分权等经典无模型假设策略。,7,8]
该表列举了经典的函数生成组合及其生成函数 (G(\mu)) 和对应权重 (T_i(\mu)) :
| 投资组合 | 生成函数 ( G(\mu) ) | 权重 ( T_i(\mu) ) |
|---|---|---|
| 等权重组合 (EWP) | (隐含) 常数或1 | ( T_i = \frac{1}{n} ) |
| 多样性加权组合 (DWP) | (\sum_{i=1}^n \mu_i^p), (0<p<1) | ( T_i(\mu) = \frac{\mu_i^p}{\sum_j \mu_j^p} ) |
| 熵加权组合 | (-\sum_i \mu_i \log \mu_i) | ( \alpha - \log \mu_i ) |
| 市场组合 | 常数 ( G(\mu) = c > 0 ) | ( T_i = \mu_i ) |
该表体现函数生成投资组合多样性,从均等权重到侧重小市值或最大化信息熵等,均可用不同生成函数刻画,证明了该框架的灵活性。
| 策略 | 合成数据log收益均值 | 真实数据log收益均值 |
|---|---|---|
| Neural FGP | 0.0787 | 0.0786 |
| EWP | 0.0092 | 0.0122 |
| 市场组合 | ≈0 ( -9.79e-7 ) | ≈0 (-1.08e-6) |
| DWP (p=0.3) | 0.0066 | 0.0083 |
| DWP (p=0.5) | 0.0048 | 0.0058 |
| DWP (p=0.8) | 0.0019 | 0.0022 |
数据清楚表现Neural FGP显著取得更高的长期相对收益,且远超传统手工设计组合策略,验证了神经网络自适应学习生成函数的优势。,8]
通过与市值加权组合“绿线”为基准1对比,Neural FGP曲线显著上扬,支持函数生成组合理论与实证的融合。
报告核心不涉及传统意义上的公司估值或现金流贴现Model定价,但延续了投资组合相对收益最大化问题的端点,属于最优投资组合构建范畴。
投资组合权重通过神经网络优化确定,训练过程即为求解一类高维函数最优化问题;损失函数系数中采用了 (\ell_2) 正则化项缓解过度集中风险。
利用ICNN架构以结构形式直接约束生成函数的凹性,是此模型的创新点,替代了计算复杂且数值不稳定的海森矩阵惩罚,强化了模型的理论保证。
整体评估方法是基于对数相对收益的极大化,符合连续时间理论分析,未引入额外估值倍数或市场多因子模型。,4,5,6]
报告虽未显式系统化风险因素,但可推断存在以下风险及挑战:
报告中通过正则项设计和滚动训练测试制度一定程度缓解集中度风险和过拟合,提示风险意识但未来工作空间仍大。,6,8]
总体来说,报告内部逻辑连贯,创新点突出,但对某些现实交易约束及极端风险的探讨较弱,这是未来改进重点。,6,8]
本报告创新融汇了随机投资组合理论中函数生成组合的理论框架与现代神经网络技术,提出了具有结构保证的神经生成投资组合(Neural FGP)模型。通过引入输入凸神经网络(ICNN)确保生成函数的凹性,利用自动微分计算组合权重,训练目标直接最大化与市场组合相对的对数回报,实现了理论与实证的有机统一。
实验结果展示了Neural FGP在合成与真实市场数据上的卓越表现,明显超越了等权重、多样性加权以及市场基准组合,证明了该方法在捕捉市场动态及适应高维环境方面的强大能力。Walk-forward滚动训练测试框架进一步增强了模型的实用性与稳健性。
报告中表1论述了经典FGP示例,强调理论基础;表2、3定量说明了神经FGP的显著收益优势;图1、2直观呈现了相对财富的持续增值趋势。
作者明确了该方法在保持理论自融资和路径分解性质基础上的优势,同时指出未来研究需要解决交易成本、市场多样性、模型可扩展性及计算效率等实践问题。总体而言,Neural FGP 是连接经典投资组合理论与数据驱动算法投资的有力桥梁,展示了新一代组合优化的潜力与前景。,1,2,3,4,5,6,7,8]
此篇论文以严谨的数学理论基础为框架,融入现代机器学习技术,系统性地提出和实证验证了一种新颖的函数生成型组合构建方法。对金融数学领域中的组合优化及机器学习应用具有重要理论与实务参考价值。报告结构严谨,论据充分,实验设计合理,数据结果明确而有说服力。同时也清晰陈述了潜在的限制与未来工作方向,体现了研究的深度与前瞻性。
2506.19715.pdf