[论文解读] Bayesian emulation for optimization in multi-step portfolio decisions

Kaoru Irie, Mike West|arXiv (Cornell University)|Jul 6, 2016

Forecasting Techniques and Applications参考文献 25被引用 8

一句话总结

本文提出了一种用于多步投资组合优化的贝叶斯模拟框架，将复杂的决策问题转化为合成统计模型中的后验众数估计问题。通过利用动态线性模型和状态空间结构，该方法在各种损失函数下高效计算最优投资组合权重，与传统的短视方法相比，表现出更优的稳定性和性能——尤其是在交易成本方面。

ABSTRACT

We discuss the Bayesian emulation approach to computational solution of multi-step portfolio studies in financial time series. "Bayesian emulation for decisions" involves mapping the technical structure of a decision analysis problem to that of Bayesian inference in a purely synthetic "emulating" statistical model. This provides access to standard posterior analytic, simulation and optimization methods that yield indirect solutions of the decision problem. We develop this in time series portfolio analysis using classes of economically and psychologically relevant multi-step ahead portfolio utility functions. Studies with multivariate currency, commodity and stock index time series illustrate the approach and show some of the practical utility and benefits of the Bayesian emulation methodology.

研究动机与目标

• 解决长期、多步投资组合决策中缺乏贝叶斯方法的问题，且所用效用函数在心理和经济上均具相关性。
• 开发一种可推广的计算框架，通过使用合成统计模型避免为每种损失函数进行定制化处理。
• 通过将多步损失函数嵌入贝叶斯决策理论，提升多期投资组合的稳定性和性能。
• 在真实金融时间序列（包括货币、商品和股票指数）中展示贝叶斯模拟的实用性。
• 探讨配置损失函数与边际损失函数之间的权衡，包括对参数选择和交易成本的敏感性。

提出的方法

• 该方法通过构建完全合成的统计模型，将投资组合优化问题映射为贝叶斯推断问题，其后验众数对应于最优投资组合权重。
• 对于二次损失和拉普拉斯损失函数，模拟模型为条件线性和正态的状态空间模型（动态线性模型），可通过前向滤波与后向平滑（FFBS）实现高效的后验计算。
• 对于促进稀疏性的惩罚项，该方法扩展至具有扩展隐变量的非正态状态空间模型，支持使用MCMC和FFBS/EM方法进行后验众数搜索。
• 该框架将预测（使用多元依赖网络模型）与决策制定分离，实现模块化和可扩展的优化。
• 通过识别模拟模型后部分布的边际众数来推导最优权重，后者即为原始决策问题的解。
• 该方法支持配置损失函数与边际损失函数两种形式，其中后者在参数变化和交易成本方面表现出更强的鲁棒性。

实验结果

研究问题

• RQ1 如何利用贝叶斯模拟在不为每种损失函数定制数值方法的前提下求解多步投资组合优化问题？
• RQ2 在投资组合稳定性和累计收益方面，配置损失函数与边际损失函数形式之间存在哪些性能差异？
• RQ3 在交易成本下，贝叶斯模拟方法与传统短视（单步）优化方法相比表现如何？
• RQ4 具有非正态创新项的合成模型在多大程度上能生成惩罚不足更严重的非对称损失函数？
• RQ5 不同惩罚参数（λ）如何影响所提出的模拟框架下投资组合的稳定性和性能？

主要发现

• 在2009–2012年期间，贝叶斯模拟方法在外汇、商品和股票指数数据中，持续优于传统短视投资组合策略的累计收益。
• 在交易成本δ = 0.001下，配置和边际投资组合的累计收益均显著下降，但边际策略的稳定性更高，且对λ的变化不那么敏感。
• 当λ = 100和λ = 10,000时，边际投资组合在权重轨迹上表现出更高的稳定性，且比配置投资组合更少出现大规模、破坏性的再平衡。
• 边际策略产生的投资组合权重被收缩向零，但不会精确达到零，这与模拟模型中边际众数的理论特性一致。
• 配置投资组合表现出更高的权重轨迹波动性和对λ的敏感性，尤其是在高惩罚值下，表明其性能恶化的风险更高。
• 使用扩展拉普拉斯损失函数可使投资组合更好地缓冲市场下跌，并促进恢复，对长期投资者具有心理和实际吸引力。