[论文解读] Deep Portfolio Theory

J.B. Heaton, Nicholas G. Polson+1 more|arXiv (Cornell University)|May 23, 2016

Financial Markets and Investment Strategies参考文献 7被引用 13

一句话总结

本文提出了深度投资组合理论（Deep Portfolio Theory），一种数据驱动的四步框架——编码、校准、验证、验证——通过深度分层的单变量非线性收益结构实现自动化投资组合构建。通过利用深度学习自动编码市场收益并校准投资组合以实现目标，而无需依赖预期收益或协方差矩阵，该方法在样本外表现上实现显著提升，包括在回撤期间超越IBB生物科技指数，其关键在于学习了反向相关的特征。

ABSTRACT

We construct a deep portfolio theory. By building on Markowitz's classic risk-return trade-off, we develop a self-contained four-step routine of encode, calibrate, validate and verify to formulate an automated and general portfolio selection process. At the heart of our algorithm are deep hierarchical compositions of portfolios constructed in the encoding step. The calibration step then provides multivariate payouts in the form of deep hierarchical portfolios that are designed to target a variety of objective functions. The validate step trades-off the amount of regularization used in the encode and calibrate steps. The verification step uses a cross validation approach to trace out an ex post deep portfolio efficient frontier. We demonstrate all four steps of our portfolio theory numerically.

研究动机与目标

• 开发一种无模型、数据驱动的投资组合选择框架，以减少对预期收益和协方差矩阵等统计假设的依赖。
• 通过将投资组合建模为非线性单变量收益的分层组合，将深度学习架构应用于金融资产配置。
• 通过交叉验证构建事后有效前沿，实现正则化与样本外表现之间的客观权衡。
• 证明该方法在市场压力时期具备超越基准的能力，通过学习稳健的非线性收益结构实现。
• 利用柯尔莫哥洛夫-阿诺德定理验证深度投资组合的理论基础，该定理支持通过分层单变量函数实现通用逼近。

提出的方法

• 编码步骤使用自编码器在正则化约束下学习市场收益 $X$ 的压缩、信息高效的表示，形式为 $\min_W \|X - F^m_W(X)\|^2_2$。
• 校准步骤通过 $\min_W \|Y - F^p_W(X)\|^2_2$ 与正则化，学习一个投资组合映射 $F^p_W(X)$ 以逼近目标 $Y$。
• 验证步骤使用样本外交叉验证调整正则化水平，平衡模型复杂度与预测误差。
• 验证步骤通过在不同正则化水平和投资组合结构下评估性能，绘制事后深度投资组合有效前沿。
• 深度因子被构建为 ReLU 激活的、线性组合资产的非线性函数的分层组合，可解释为子投资组合上的期权类投资组合。
• 该框架在周度收益上使用四折交叉验证，通过调整模型深度和股票数量以最小化验证误差，同时保持可投资性。

实验结果

研究问题

• RQ1 是否可以利用深度学习架构构建系统性超越基准的投资组合，尤其在市场回撤期间，而无需依赖参数化收益或风险假设？
• RQ2 单变量非线性收益的分层组合如何实现对复杂、非线性收益函数的通用逼近，从而在投资组合构建中发挥作用？
• RQ3 是否可以通过样本外验证在编码和校准步骤中对正则化进行优化，以提升投资组合效率？
• RQ4 与经典马科维茨有效前沿相比，深度投资组合有效前沿在稳健性和样本外表现方面有何不同？
• RQ5 是否可以设计深度投资组合以实现特定目标，例如年化跑赢指数1%，即使目标被修改为更强调下行保护？

主要发现

• 深度投资组合框架通过在校准步骤中对目标进行修改，学习到反向相关的收益结构，成功在大幅回撤期间超越了IBB生物科技指数。
• 当目标被修改为将低于-5%的收益替换为精确的5%时，验证误差上升，表明目标更具挑战性，但模型仍实现了可靠的超额表现。
• 深度前沿分析表明，在目标修改后，至少需要40只股票的深度投资组合才能实现可靠预测与表现，凸显充分分散化的重要性。
• 使用ReLU激活的、线性组合的分层组合，使模型能够逼近复杂、非线性的收益函数，有效模拟子投资组合上的期权类收益。
• 该方法通过避免统计模型假设，转而依赖数据驱动的正则化与交叉验证来确定最优投资组合结构，从而提升了样本外效率。
• 柯尔莫哥洛夫-阿诺德定理为该方法的理论有效性提供了支撑，证实多变量函数可通过单变量函数的组合实现通用逼近，从而为深度架构提供了理论依据。