Robust and sparse portfolio model for index tracking
Robust and sparse portfolio model for index tracking
复制标题
用于指数跟踪的稳健且稀疏的投资组合模型
DOI：
10.3934/jimo.2018082
复制
发表时间：
2018-06
影响因子：
1.3
通讯作者：
Naihua Xiu
中科院分区：
文献类型：
--
作者：
Chao Zhang;Jingjing Wang;Naihua Xiu
在指数跟踪的背景下，跟踪误差衡量投资者获得的回报与他试图模仿的基准回报之间的差异。在本文中，我们对跟踪投资组合模型使用加权 l_2 和 l_p (0 < p < 1) 范数惩罚以及卖空约束（简称 l_2-l_p.model），以获得稳健且稀疏的投资组合用于指数跟踪。 l_2 范数惩罚施加平滑性，减轻高度相关变量存在的影响，因此具有更好的样本外性能，而 l_p 范数惩罚实现稀疏性，以考虑交易成本。我们在模型中明确加入了非负约束，即实践中出现的卖空约束。l_p范数惩罚是非Lipschitz、非凸的，导致计算困难。我们采用平滑投影梯度（SPG）方法来求解稳健且稀疏的投资组合模型。我们证明了 SPG 方法的任何累加点都是一个特殊的极限驻点。我们发现我们提出的 l_2- l_p 模型优于 Takeda 等人提出的 l_2 + l_0 模型。 [26] 真实股票数据集 S&P500 的样本内和样本外误差。
In the context of index tracking, the tracking error measures the difference between the return an investor receives and that of the benchmark.he was attempting to imitate. In this paper, we use the weighted l_2 and l_p (0 < p < 1) norm penalties as well as the shortsale constraints (l_2-l_p.model for short) to the tracking portfolio model in order to get a robust and sparse portfolio for index tracking. The l_2 norm penalty imposes smoothness to.alleviate the effect of the existence of highly correlated variables and hence has better out-of-sample performance and the l_p norm penalty achieves sparsity.to account for transaction costs. We enroll in the model explicitly the nonnegativity constraints, that is, the shortsale constraints appeared in practice..The l_p norm penalty is non-Lipschitz, nonconvex which leads to computational difficulty. We adopt the smoothing projected gradient (SPG) method to solve.the robust and sparse portfolio model. We show that any accumulation point of the SPG method is a special limiting stationary point. We find our proposed.l_2- l_p model outperforms the l_2 + l_0 model proposed by Takeda et al. [26] for real stock data set S&P500 in terms of in-sample and out-of-sample errors.
登录
查看更多内容
DOI：
--
发表时间：
2009-12
期刊：
2009 17th European Signal Processing Conference
影响因子：
--
作者：
S. D. Babacan;L. Mancera;R. Molina;A. Katsaggelos
通讯作者：
S. D. Babacan;L. Mancera;R. Molina;A. Katsaggelos
DOI：
10.1137/070702187
发表时间：
2009-07
期刊：
SIAM J. Optim.
影响因子：
--
作者：
Chao Zhang;Xiaojun Chen
通讯作者：
Chao Zhang;Xiaojun Chen
影响因子：
0.9
作者：
Jun-ya Gotoh;A. Takeda
通讯作者：
Jun-ya Gotoh;A. Takeda
影响因子：
2.5
作者：
A. E. Hoerl;R. Kennard
通讯作者：
A. E. Hoerl;R. Kennard
影响因子：
8.2
作者：
DeMiguel, Victor;Garlappi, Lorenzo;Uppal, Raman
通讯作者：
Uppal, Raman