Data-driven approach to robust portfolio optimization using deep neural networks

Divyanee Garg

doi:10.1080/01605682.2026.2697954

Data-driven approach to robust portfolio optimization using deep neural networks

2026-07-10

0

PRE

AI

DOI：10.1080/01605682.2026.2697954

原文链接

原文求助

摘要

En 中文

在不确定性下的投资组合优化已引起显著的研究兴趣，其核心挑战在于构建能够使解决方案对未来实现具有鲁棒性的不确定性集合。本文通过整合深度学习来学习隐藏结构、从数据中提取异常值并构建非凸数据驱动的不确定性集合，从而增强投资决策的鲁棒性。我们提出了一个具有偏离期望值风险的投资组合优化模型，其中不确定性涉及资产的预期回报。为求解该模型，我们应用了一种迭代约束生成算法，用于求解一系列线性规划和混合整数线性规划。我们通过在全球八个市场指数上的实证分析展示了所构建的不确定性集合的适用性。将所提出模型生成的最优投资组合的样本外统计量与非鲁棒对应模型、朴素策略以及其他三种鲁棒技术进行比较。该模型在大多数数据集上通过提供更优的奖励-风险比率（如夏普比率SR、STARR、特雷诺比率和斯特林比率）超越了所有其他模型。对道琼斯数据集在熊市和牛市阶段的比较分析表明，所提出模型的最优投资组合在熊市阶段实现了最低的负回报和风险，而在牛市阶段则获得了更高的奖励-风险比率。

Keyword:

Portfolio optimisation

deep neural network

expectile value at risk

data-driven robust optimisation

Data-driven approach to robust portfolio optimization using deep neural networks

摘要

期刊

机构

引用论文