典型文献
基于AdaBoost的投资组合优化
文献摘要：
文章利用AdaBoost集成学习技术提升均值-方差(MV)策略的表现.首先,文章对二次期望效用损失函数进行了分歧分解,从理论上表明集成学习技术有助于提升投资组合策略的表现.其次,文章将收益率均值和协方差压缩估计量中的压缩强度设定为样本外绩效驱动,并利用迭代有效集法和梯度下降法最大化效用的值函数,从而构建了参数化的MV策略作为文章策略AdaBoost.PT的弱学习器.在实证方面,文章利用A股近25年和美股近40年的全股票样本数据,考察了集成投资组合策略在夏普率、标准差、换手率和最大回撤方面的样本外表现,并利用假设检验对夏普率差异的显著性进行验证.基于因子组合数据集的实证结果显示,基于收益率均值压缩估计量的集成策略在4个评估指标下和差异性统计检验中能够取得优于基准策略的结果,此外,使用行业组合数据集的稳健性检验同样显示出一致的结果.
文献关键词：
投资组合优化;集成学习;分歧分解
中图分类号：
作者姓名：
钱龙;韦江;赵慧敏;倪宣明
作者机构：
清华大学经济管理学院,北京100084;清华大学学生处,北京100084;中山大学管理学院,广州510275;北京大学软件与微电子学院,北京100871
文献出处：
引用格式：
[1]钱龙;韦江;赵慧敏;倪宣明-.基于AdaBoost的投资组合优化)[J].系统科学与数学,2022(02):271-286
A类：
分歧分解
B类：
AdaBoost,投资组合优化,集成学习,学习技术,技术提升,MV,期望效用,损失函数,组合策略,收益率,协方差,差压,估计量,压缩强度,绩效驱动,有效集法,梯度下降法,值函数,参数化,略作,PT,股票,票样,夏普率,换手率,回撤,外表,假设检验,子组,组合数,集成策略,统计检验,行业组合,稳健性检验
AB值：
0.408296
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
