[论文解读] Sparse Index Tracking Based On $L_{1/2}$ Model And Algorithm

Fengmin Xu, Zongben Xu+1 more|arXiv (Cornell University)|Jun 19, 2015

Sparse and Compressive Sensing Techniques参考文献 25被引用 8

一句话总结

本文提出了一种基于 $L_{1/2}$ 正则化的新型稀疏指数追踪模型，以增强投资组合的稀疏性并提升样本外表现。通过以 $L_{1/2}$ 范数约束替代卡迪纳尔性约束，并采用混合半阈值算法，该方法在 $N > 1000$ 只股票的大规模指数问题中，实现了比基于 $L_1$ 的方法更低的追踪误差和更高的稳定性。

ABSTRACT

Recently, $L_1$ regularization have been attracted extensive attention and successfully applied in mean-variance portfolio selection for promoting out-of-sample properties and decreasing transaction costs. However, $L_1$ regularization approach is ineffective in promoting sparsity and selecting regularization parameter on index tracking with the budget and no-short selling constraints, since the 1-norm of the asset weights will have a constant value of one. Our recent research on $L_{1/2}$ regularization has found that the half thresholding algorithm with optimal regularization parameter setting strategy is the fast solver of $L_{1/2}$ regularization, which can provide the more sparse solution. In this paper we apply $L_{1/2}$ regularization method to stock index tracking and establish a new sparse index tracking model. A hybrid half thresholding algorithm is proposed for solving the model. Empirical tests of model and algorithm are carried out on the eight data sets from OR-library. The optimal tracking portfolio obtained from the new model and algorithm has lower out-of-sample prediction error and consistency both in-sample and out-of-sample. Moreover, since the automatic regularization parameters are selected for the fixed number of optimal portfolio, our algorithm is a fast solver, especially for the large scale problem.

研究动机与目标

• 解决 $L_1$ 正则化在指数追踪中于预算约束和禁止卖空约束下促进稀疏性的局限性。
• 开发一种更有效的稀疏指数追踪模型，以保持低样本外预测误差和高一致性。
• 设计一种快速高效的求解器，用于基于 $L_{1/2}$ 正则化的大型指数追踪问题。
• 以 $L_{1/2}$ 范数约束替代卡迪纳尔性约束，以提升稀疏性和优化效率。
• 在 OR-library 的真实数据集上验证模型性能，包括 S&P 500 和 Russell 3000 等大规模指数。

提出的方法

• 通过在 $L_{1/2}$ 范数约束 $\|w\|_{1/2}^{1/2} = K$ 下最小化追踪误差，构建新的稀疏指数追踪模型，替代卡迪纳尔性约束。
• 采用混合半阈值算法作为 $L_{1/2}$ 正则化问题的快速求解器，利用最优正则化参数选择策略。
• 应用源自半阈值算子的阈值策略，在保持解精度的同时促进稀疏性。
• 将该算法应用于在预算约束和禁止卖空约束下的优化问题求解，确保投资组合构建的现实可行性。
• 引入自动正则化参数选择机制，以提升性能，避免人工调参。
• 使用八个 OR-library 数据集对模型进行验证，涵盖最多含 2151 个成分股的大规模指数。

实验结果

研究问题

• RQ1 在预算约束和禁止卖空约束下，$L_{1/2}$ 正则化是否能优于 $L_1$ 正则化，以促进稀疏性并降低样本外追踪误差？
• RQ2 混合半阈值算法是否在稀疏指数追踪中提供比现有方法更快的收敛速度和更优的解质量？
• RQ3 所提出的模型在不同规模的指数（包括 S&P 500 和 Russell 3000 等大规模指数）中，其一致性和预测误差表现如何？
• RQ4 基于 $L_{1/2}$ 的模型是否能以更少的追踪股票数量实现与 $L_1$ 模型相当或更优的性能？
• RQ5 所提出的算法是否适用于包含数千只资产的大规模指数追踪问题，具备可扩展性和高效性？

主要发现

• 在不同指数和 $K$ 值下，$L_{1/2}$ 模型的样本外预测误差低于 $L_1$ 模型，$SupO$ 值范围为 0.44% 至 37.18%。
• 对于恒生指数，$L_{1/2}$ 模型在 $K=5$ 只股票时，其样本外误差与 $L_1$ 模型在 $K=10$ 只股票时相当，表明其具有更高的稀疏性效率。
• 在 S&P 500（$N=457$）中，$L_{1/2}$ 模型在 $K=10$ 时相比 $L_1$ 模型将样本外误差降低了高达 26.88%。
• 在 Russell 3000（$N=2151$）中，$L_{1/2}$ 模型在 $K=50$ 时相比 $L_1$ 模型实现了 1.44% 的样本外误差改进，$SupO=1.44".$ ,
• 混合半阈值算法表现出快速收敛和高效率，尤其在大规模问题中，得益于其最优正则化参数选择策略。
• 该模型保持了高样本内与样本外的一致性，基于 $L_{1/2}$ 的投资组合表现出更好的稳定性与更低的换手率，优于 $L_1$ 基础的替代方案。