Jun, 2024

未知分布的长期投资中的均值方差组合选择：在线估计，不确定性下的风险厌恶与算法的普适性

PDF
TL;DR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。
发现论文，激发创造
  • 当均值和协方差未知时的均值方差组合优化

    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

  • 在考虑估计统计量的不确定性的情况下强健的推荐系统组合优化

    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

  • 均值协方差鲁棒风险度量

    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

  • 非平稳分布下的风险规避学习

    本文研究在线优化中的非稳态环境，以便决策者能够适应变化并提高性能。我们采用最小化风险敏感目标函数的策略，使用条件风险价值 (CVaR) 作为风险度量，并使用零阶优化方法来估计 CVaR 梯度。理论结果表明，我们设计的学习算法在凸和强凸函数上能够以高概率实现子线性动态遗憾。同时，数值实验在停车场动态定价方面展示了所设计算法的有效性。

    Apr, 2024

  • 折扣马尔可夫决策过程中均值 - 方差优化的统一算法框架

    用假均值将混合风险下的 MDP 转化为标准 MDP，并提出一种基于二级优化结构的统一算法框架，该框架还允许收敛性分析。通过数值实验，验证了该算法的有效性。

    Jan, 2022

  • 基于强化学习的离散时间均值方差策略

    本文基于强化学习研究了一个基于离散时间的均值方差模型，与其在连续时间中的对应物相比，离散时间模型对资产收益分布作出了更一般的假设。使用熵来衡量探索成本，我们得出了最优投资策略，其密度函数也是高斯型的。另外，我们设计了相应的强化学习算法。模拟实验和实证分析表明，我们的离散时间模型在分析实际数据时比连续时间模型具有更好的适用性。

    Dec, 2023

  • 长期投资的组合策略集成：一种无分布偏好框架和决策算法

    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

  • 贝叶斯优化中的均值方差分析

    本文研究了在不确定环境下的主动学习问题，着重于基于贝叶斯优化的均值 - 方差分析问题，针对高斯过程模型的多任务、多目标和约束优化场景，提出了考虑不确定因素的均值 - 方差权衡的风险度量上下界的主动学习算法，并通过理论和数值实验证明了其有效性。

    Sep, 2020

  • 块坐标上升算法求解均值 - 方差优化问题

    本文提出了一种基于随机块升协方差策略搜索算法的无模型策略搜索框架，通过数值分析证明了其的收敛性和应用性，并将其应用于多个基准域上的风险管理与优化问题。

    Sep, 2018

  • 针对具有无限奖励的多臂赌博机的分布式无感知、风险感知算法

    本文研究一个选择 arm 的问题，它通过平衡固定预算下预期奖励和相关 CVaR 之间的线性组合来优化，同时提出了一类可证明上限的算法，并比较其在非 oblivious 算法中的误差边界与实际表现（数字化实验）的竞争性。

    Jun, 2019