“学海拾珠”系列之一百七十三：基于端到端神经网络的风险预算与组合优化-20240104-华安证券-15页_981kb

端到端神经网络风险预算与组合优化

端到端学习方法

• 提出端到端学习方法解决投资组合优化问题，将预测和优化集成在一个全连接神经网络中。
• 模型由预测和优化两个主要任务构成，使用无模 (无模型) 和有模 (有模型) 网络实现，以在解释性和复杂性之间取得权衡。

随机门控机制的引入

• 在风险预算层嵌入随机门控器，用于主动过滤投资组合中不希望持有的资产。
• 通过设定参数 μ (置信水平) 和加入随机性 ε，门控器控制资产风险预算通过与否。过滤过程不会对资产选择进行惩罚。
• 实证表明，引入资产过滤显著提升了模型表现，特别是在剔除低波动、低回报资产方面有效，避免了基准风险平价可能的损失。

模型构建与比较

• 包含预测和优化的端到端框架是核心，规避了传统两步法的次优问题。
• 对比了无模和有模策略：
  • 研究发现基于风险的投资组合更具鲁棒性，但对资产选择敏感。
  • 嵌入有模型策略时，初始风险预算和风险贡献矩阵的学习是其技术要点。
• 在模拟和真实市场数据上，端到端模型（尤其是基于模型方法）在夏普比率、回报/回撤比率等方面优于名义风险平价基准。

真实市场表现

• 使用代表股票、债券、商品的七种ETF日收益率进行回测。
• 在样本内/外测试中，端到端模型展现出超过基准的风险调整后收益。
• 在市场极端事件（如2020年 Covid-19 大流行期间），模型能有效适应，保持或提升组合表现。
• 两种训练目标（夏普率或累计回报）：推荐夏普率，因其提供更多风险调整回报信息。

主要结论

• 端到端神经网络方法是量化资产配置的有效工具，集成预测和优化。
• 随机门控器能动态控制资产风险预算，过滤有害资产，带来稳健性能。
• 该框架相比传统方法更智能、动态，能应对复杂市场环境改善组合表现。
• 投资者在采用这一方法时，仍需谨慎选择基础资产以避免某些特定风险。