倪宣明¹，邱语宁¹，赵慧敏²

1. 北京大学软件与微电子学院, 北京 100871;2. 中山大学管理学院,广州 510275

出版日期:2021-10-25发布日期:2021-12-24

High-Dimensional Sparse Portfolio Optimization Based on Factor Characteristics

NI Xuanming¹ ,QIU Yuning¹ ,ZHAO Huimin²

1. School of Software & Microelectronics, Peking University, Beijing 100871;2. School of Business, Sun Yat-sen University, Guangzhou 510275

Online:2021-10-25Published:2021-12-24







摘要
图/表
参考文献
相关文章
编辑推荐
-->Metrics
本文评论

在高维情形下, 为了实现对期望收益率的更准确估计, 提高投资组合策略的稳定性及获得更好的样本外表现,文章利用流通市值和账面市值比的 双因子排序组合信息,在回归形式的均值-方差策略目标函数中引入了Group-LASSO (GLASSO)正则项, 构建了GLASSO-MV投资组合策略.相比包含权重$l_1$-范数正则项的LASSO-MV策略,GLASSO-MV能够有效利用因子组合之间的定价差异信息,从而输出组间的稀疏权重,进而更有效地估计高维投资组合权重并取得更好的样本外表现.为了获得合适的正则项参数和权重稀疏度, 文章在5折交叉验证寻优结果的基础上进行了稀疏度调整. 为验证此策略, 文章利用A股1995 年至2019 年共3695 只股票的日际实证数据集, 将GLASSO-MV与多种常见的投资组合策略进行了比较. 结果显示相比LASSO-MV, MV, GMV,TZ (Tu-Zhou), BS (Bayes-Stein) 等策略,GLASSO-MV实现了更好的样本外夏普率, 更低的标准差风险和换手率.
分享此文:

()

No related articles found!

-->

PDF全文下载地址:

http://sysmath.com/jweb_xtkxysx/CN/article/downloadArticleFile.do?attachType=PDF&id=14328