加载中...
本文提出一个基于深度神经网络的端到端联合回报与风险建模框架,通过多变量LSTM学习时间序列的预测性表示并从中导出向前看的波动与相关结构,用于Sharpe比率最大化的投资组合构建;在2010–2024年十只大盘股样本上的实证表明,模型在2020–2024年测试期能取得RMSE=0.0264、方向准确率≈51.9%,并使得Neural Portfolio年化收益≈36.4%、Sharpe≈0.91,优于等权与历史均值-方差基准,说明联合建模提高了在非平稳市场下的风险调整后表现
| Model | RMSE | MAE | Directional Accuracy |
|---|---|---|---|
| Deep Forecasting Model | 0.0264 | 0.0177 | 0.5192 |
元数据与概览(引言与报告概览)
逐节深度解读
图表与表格的深度解读(关键图表逐个分析)
方法(第3节)精读与假设解析
风险因素评估(报告指出或隐含的风险)
批判性视角与细微差别(可复现性与稳健性问题)
结论性综合
附:关键图表引用(便于核验)
總結語:本文在理论动机与实证证据上均支持“联合返回-风险深度建模在小样本大市值资产池中能带来风险调整后收益提升”的命题,但为了将该方法推广到真实可交易策略并验证稳健性,还需补充实现细节、检验不同市场 universes、考虑交易成本与约束,并改进协方差构造的数值稳健性措施。
2603.19288.pdf