[论文解读] Efficient Simulation Method for Dynamic Portfolio Selection with Transaction Cost, Liquidity Cost and Market Impact

Rongju Zhang, Nicolas Langrené+4 more|arXiv (Cornell University)|Oct 1, 2016

Monetary Policy and Economic Impact参考文献 5被引用 3

一句话总结

本文提出了一种基于最小二乘蒙特卡洛的框架，用于在交易成本、流动性成本和市场冲击下进行动态投资组合优化。通过将收益建模为外生变量，而投资组合权重、资产价格和投资组合价值作为内生变量，该方法实现了灵活的成本建模，并采用基于回归的逆向归纳法与自适应网格，实现多项式时间复杂度的可扩展性，已在12只资产的投资组合上得到验证。

ABSTRACT

We develop an efficient method for solving dynamic portfolio selection problems in the presence of transaction cost, liquidity cost and market impact. Our method, based on least-squares Monte Carlo simulation, has no restriction on return dynamics, portfolio constraints, intermediate consumption and investor's objective. We model return dynamics as exogenous state variables and model portfolio weights, price dynamics and portfolio value as endogenous state variables. This separation allows for incorporation of any formation of transaction cost, liquidity cost and market impact. We first perform a forward simulation for both exogenous and endogenous state variables, then use a least-squares regression to approximate the backward recursive dynamic programs on a discrete grid of controls. Finally, we use a local interpolation and an adaptive refinement grid to enhance the optimal allocation estimates. The computational runtime of this framework grows polynomially with dimension. Its viability is illustrated on a realistic portfolio allocation example with twelve risky assets.

研究动机与目标

• 解决在存在交易成本、流动性成本和市场冲击等现实市场摩擦时，动态投资组合选择的计算复杂性问题。
• 开发一种基于模拟的方法，对收益动态、投资组合约束、中间消费或投资者目标均无限制。
• 通过明确区分外生与内生状态变量，实现对交易成本、流动性成本和市场冲击结构的灵活建模。
• 在最小二乘回归框架中，利用局部插值和自适应细化网格，提升最优投资组合配置估计的准确性。
• 通过确保运行时间随投资组合维度呈多项式增长，保障计算效率。

提出的方法

• 将收益建模为外生状态变量，投资组合权重、资产价格和投资组合价值作为内生状态变量，以实现动态与成本结构的解耦。
• 对内外生状态变量进行前向模拟，生成在指定动态下的样本路径。
• 在控制变量的离散网格上应用最小二乘回归，以近似逆向递归动态规划解。
• 使用局部插值在非网格点处细化配置估计，提升解的精度而不增加网格规模。
• 实施自适应细化网格，将计算资源集中于敏感性较高或价值函数曲率较大的区域。
• 通过保持运行时间随资产数量和状态变量数量呈多项式增长，确保可扩展性。

实验结果

研究问题

• RQ1 当交易成本、流动性成本和市场冲击共同存在时，如何高效求解动态投资组合优化问题？
• RQ2 基于模拟的方法是否能处理任意的收益动态和投资组合约束，而无需施加限制性假设？
• RQ3 外生与内生状态变量的分离如何实现对复杂市场摩擦的灵活建模？
• RQ4 局部插值与自适应网格细化在多大程度上提升了最优投资组合配置估计的精度？
• RQ5 所提出方法在高维投资组合设置下的计算可扩展性如何？

主要发现

• 所提出方法可在无需限制性假设的前提下，实现一般收益动态和投资组合约束下的动态投资组合优化。
• 外生与内生状态变量的分离使得交易成本、流动性成本和市场冲击的建模更加灵活且模块化。
• 在离散网格上应用最小二乘回归，能够准确近似逆向动态规划递归过程。
• 局部插值与自适应细化显著提升了最优配置估计的精度，且计算成本未过度增加。
• 该框架实现了随投资组合维度呈多项式增长的运行时间，确保了在现实问题中的可扩展性。
• 该方法在12只资产的投资组合上进行了实证验证，证明了其在现实动态配置场景下的可行性与鲁棒性。