通过比较三种投资组合优化方法的表现，本文提出了一种基于强化学习的组合设计方法，利用印度股市历史数据进行训练和测试，并使用年回报、年风险和夏普比率等指标进行了比较。

May, 2023

本研究在印度股市上对三种投资组合优化方法（最小方差组合、分层风险平衡组合、最优风险调整组合）进行了比较研究，以印度国家股票交易所上 15 个行业的股票为重点。对每个行业，根据 2022 年 7 月 1 日 NSE（国家股票交易所）发布的报告，选择每个集群的前股票，并使用三种投资组合优化方法进行设计。该研究使用累计回报率、年度波动率和夏普比率三个指标来评估投资组合的绩效，识别出在训练和测试期间实现最高累计回报率、最低波动率和最大夏普比率的投资组合。

Oct, 2023

为了分配适当的权重给组成资产的优选投资组合，从历史股价数据中基于三种方法设计和评估投资组合，比较每个部门的投资组合收益以识别出业绩较高的投资组合。

Sep, 2023

该研究论文关注于通过组合优化模型创建高质量的推荐项目列表，以平衡推荐的准确性和多样性。提出了利用鲁棒优化技术处理估计统计不确定性的鲁棒组合优化模型，并证明该方法能够提高推荐的准确性和多样性。

Jun, 2024

本研究介绍了熵价值风险（EVaR）及其在投资组合优化中的应用，结果表明该方法在计算上更加高效，且在大样本下表现优于条件价值风险（CVaR）方法。

Aug, 2017

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

回顾了不同文献中解决马科维茨优化难题的方法后，提出了一种新方法，该方法在模拟和实证研究中表现出较大的改进，并允许灵活的建模以包含历史数据的动态特征和基本分析。

Aug, 2011

本文提出了一种新的资产组合方法 —— 熵搜索组合（ESP），以解决 Bayesian 优化方法中的探索策略选择问题，并在实际和人工数据上的若干问题中证明了 ESP 方法的优越性和鲁棒性。

Jun, 2014

提出了一种基于层次化强化学习的股票交易系统，将交易过程分解为管理和执行交易两个级别，并通过预训练和迭代训练方式对两个层级的策略进行训练，从而实现长期收益的最大化和交易成本的最小化。在美股市场和中国股市的实验证明了此方法的显著效果提升。

Dec, 2020

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