Portfolio Selection: A Statistical Learning Approach
Portfolio Selection: A Statistical Learning Approach
复制标题
投资组合选择：统计学习方法
DOI：
10.1145/3533271.3561707
复制
发表时间：
2022
期刊：
影响因子：
--
通讯作者：
Linetsky, Vadim
中科院分区：
文献类型：
--
作者：
Peng, Yiming;Linetsky, Vadim
我们提出了一个新的投资组合优化框架，部分平均主义投资组合选择（PEPS）。受著名的LASSO回归的启发，我们通过添加两个正则化项来正则化均值-方差投资组合优化，这两个正则化项基本上将投资组合中某些资产的投资组合权重归零，并选择和收缩剩余资产的投资组合权重以对冲参数估计风险。我们通过应用混合整数优化的最新进展来解决我们的PEPS配方，使我们能够解决大规模的投资组合问题。我们还建立了一个预测回归模型的预期收益率使用两个横截面的因素，短期反转因子和中期动量因子，这是被证明是更显着的预测因素中测试的实证金融文献中的数百个因素。然后，我们通过替换历史平均值将预测回归纳入PEPS。我们测试我们的PEPS配方对一系列经典的投资组合优化策略在美国股市的一些数据集。PEPS投资组合增强的预测回归估计的预期股票收益率表现出最高的样本外夏普比率在所有情况下。
We propose a new portfolio optimization framework, partially egalitarian portfolio selection (PEPS). Inspired by the celebrated LASSO regression, we regularize the mean-variance portfolio optimization by adding two regularizing terms that essentially zero out portfolio weights of some of the assets in the portfolio and select and shrink the portfolio weights of the remaining assets towards the equal weights to hedge against parameter estimation risk. We solve our PEPS formulations by applying recent advances in mixed integer optimization that allow us to tackle large-scale portfolio problems. We also build a predictive regression model for expected return using two cross-sectional factors, the short-term reversal factor and the medium-term momentum factor, that are shown to be the more significant predictive factors among the hundreds of factors tested in the empirical finance literature. We then incorporate our predictive regression into PEPS by replacing the historical mean. We test our PEPS formulations against an array of classical portfolio optimization strategies on a number of datasets in the US equity markets. The PEPS portfolios enhanced with the predictive regression estimates of the expected stock returns exhibit the highest out-of-sample Sharpe ratios in all instances.
影响因子：
8
作者：
Narasimhan Jegadeesh
通讯作者：
Narasimhan Jegadeesh
短期预期回报的均值回归
DOI：
--
发表时间：
1989
期刊：
影响因子：
--
作者：
Jennifer S. Conrad;Gautam Kaul
通讯作者：
Gautam Kaul
DOI：
--
发表时间：
2011
期刊：
影响因子：
--
作者：
G. Elliott
通讯作者：
G. Elliott