使用拥挤网络进行无模型市场风险对冲
使用一种基于 Gelbrich 距离的普适方法以及先前的结构信息,针对风险衡量和投资组合优化问题建立模型并寻找最优解,结果表明该方法在理论和计算上优于现有模型,同时能高效地解决大部分类别的风险衡量问题。
Dec, 2021
通过建立投资者对决策的偏好,并确立明确的目标,引入一种新颖的决策框架,在任何市场条件下结合多种策略,构建无需统计假设的组合策略,以满足确定的标准,并在实验中验证了该策略的有效性和改进性能。
Jun, 2024
本文主要讨论了基于 Mean Field Game 模型下交易者在面对大量参与者的市场中如何完成优化流动性或优化交易的问题,并探讨了不同风险态度下的交互和可以透过学习他人行为的方式进行交易决策。
Oct, 2016
提出了一种基于神经网络的算法来利用加密货币衍生资产,以构建一个包含负相关资产对的投资组合,并通过训练深度神经网络来最大化夏普比率,以实现接近一个最小方差策略的资产配置策略,经过 19 个月的实验证明,该算法可在不同市场情况中获利。
Oct, 2023
通过在线学习框架将原模型重新设计为一种动态策略,以在统计假设下不受限制地接近真实总结的组合的经验效用、夏普比率和增长率。
Jun, 2024
本研究针对训练众数统计深度网络的数据通常具有数量分布的重尾特征并在数量范围内表现出不连续性的问题,提出了一种新的平滑贝叶斯样本分层采样方法和一种新的成本函数,可以明显降低误差标准偏差,从而为研究人员提供了一种平衡和细致的性能表征方式。
Aug, 2021
本文分析了 HodgeRank 估算器的两种随机抽样方法 —— 有替换和无替换的方法,并使用随机图理论中的工具来测量估算器的稳健性,提供了这两种随机图模型的 Fiedler 值的新估计,基于我们的发现,对于需要比较的项目较少的情况下,我们建议采用两阶段取样策略,并在第二阶段采用无替换的随机取样方法。而对于需要比较的项目较多的情况,则建议使用带替换的随机取样方法,此方法计算廉价且易于并行化。
Feb, 2015
该论文提出了一种新颖的方法来对冒险资产组合进行对冲,当金融市场受到金融动荡的影响时。我们引入了一种完全新颖的方法,通过基于这些资产价格的集合算法投资策略(AIS)的层面而不是单个资产的层面,来进行多样化活动。我们采用四种不同的理论模型(LSTM - 长短期记忆,ARIMA-GARCH - 自回归移动平均 - 广义自回归条件异方差,动量和逆势)来生成价格预测,然后将其用于产生单个和复杂的 AIS 投资信号。通过这种方式,我们能够验证由各种资产(能源商品、贵金属、加密货币或软商品)组成的不同类型的投资策略在对冲组成的用于股票指数(标普 500 指数)的集合 AIS 中的多样化潜力。本研究使用的实证数据涵盖了 2004 年至 2022 年的时期。我们的主要结论是基于 LSTM 的策略优于其他模型,并且对于为标普 500 指数构建的 AIS 来说,最好的多样化方法是为比特币构建的 AIS。最后,我们对 LSTM 模型在更高频率的数据(1 小时)进行了测试。我们得出结论,它的表现优于使用日常数据获得的结果。
Sep, 2023
本文提出了一种基于时间序列复杂网络(complex networks)和互信息(mutual information)的新方法来预测标准普尔 500 指数(S&P 500)未来的变化,并且使用这种方法可以明显提高建立 ARIMA 模型的准确性,这些发现可以为金融市场决策者提供指示,在市场发生剧烈变化之前干预市场。同时,对于量化投资者来说,这也可以提高他们的预测模型。
May, 2017
本篇研究提出了一种基于复合网络方法,结合社交媒体和金融数据的前瞻性的市场相关性预测模型,比当前基于静态金融相关性的模型预测准确率提高了 40%,同时发现社交媒体信息能够在长期预测中得到更好的应用。
Nov, 2018