学习管理投资组合超越简单的效用函数

于红博

摘要: 尽管投资基金在公开披露其广义目标，但其管理者优化了竞争目标的复杂组合，超出了简单的风险回报权衡。传统方法试图通过多目标效用函数对其进行建模，但在规范和参数化方面面临基本挑战。我们提出了一个生成性框架，学习基金经理策略的潜在表示，而无需明确的效用规范。 我们的方法直接建模基金的投资组合权重的条件概率，给定股票特征、历史收益、先前权重和代表基金策略的潜在变量。与基于强化学习或模仿学习的方法不同，后者需要指定的奖励或标记的专家目标，我们基于GAN的架构直接从观察到的持仓和市场数据的联合分布中学习。 我们在1436只美国股票型共同基金的数据集上验证了我们的框架。所学表征成功捕捉到已知的投资风格，如“增长”和“价值”，同时还揭示了隐含的管理者目标。例如，我们发现虽然许多基金表现出类似马科维茨优化的特征，但他们在换手率、集中度和潜在因素的异质实现方面存在差异。 为了分析和解释端到端模型，我们开发了一系列测试，解释了模型，并展示了基准的专家标记以线性可解释的方式包含在我们模型的编码中。 我们的框架提供了一种基于数据驱动的方法，用于描述投资策略，应用于市场模拟、策略归因和监管监督。

更新时间: 2025-10-30 06:01:20

领域: q-fin.PM,cs.AI,cs.CE

下载: http://arxiv.org/abs/2510.26165v1