[论文解读] Entropy and Optimization of Portfolios

Krzysztof Urbanowicz|arXiv (Cornell University)|Aug 1, 2014

Complex Systems and Time Series Analysis参考文献 9被引用 3

一句话总结

本文提出将资产收益时间序列的香农熵整合到马科维茨投资组合优化中，以增强风险评估并提升投资组合表现。通过在效用函数中引入熵校正项，该方法将关注点从平均收益转向相关性和分布不确定性，从而在低波动率的‘冷’（低温）市场中实现更高的实际收益和更强的鲁棒性。

ABSTRACT

We briefly review the approach to optimization of portfolios according to the theory of Markowitz and propose a further modification that can improve the outcome of the optimization process. The modification takes account of the entropic contribution from the time series used to compute the parameters in the Markowitz method.

研究动机与目标

• 解决传统马科维茨优化的局限性，其仅依赖方差与协方差，可能受历史噪声影响而产生偏差。
• 探讨资产收益时间序列的熵是否提供了超越方差的、非冗余的信息，以用于投资组合优化。
• 开发一种改进的优化框架，将熵作为马科维茨理论的自然延伸，以提升分散化程度与预测准确性。
• 通过华沙证券交易所（2001–2007年）的27只股票投资组合，实证评估熵校正对投资组合表现的影响。
• 研究温度（熵的拉格朗日乘子）在控制风险与收益动态中的作用，识别最优运行区间。

提出的方法

• 本文通过在马科维茨效用函数中增加基于单个资产收益香农熵的熵校正项，扩展了该效用函数。
• 修改后的效用函数表示为 $ F = D_p - \lambda m_p + \gamma \sum p_i + \alpha \sum p_i \log p_i $，其中最后一项引入了基于熵的正则化。
• 拉格朗日乘子 $ \alpha $ 控制系统的温度，负的 $ \alpha $ 值强调基于相关性的分散化，而非收益最大化。
• 利用历史收益数据计算方差、相关性和熵，其中熵基于归一化收益概率计算。
• 该方法应用于2001年至2007年华沙证券交易所的27只股票投资组合，与等权重和标准马科维茨投资组合进行比较。
• 通过质量比（QR）、实际年化收益以及不同温度区间下的收益方差来评估表现。

实验结果

研究问题

• RQ1 将收益时间序列的香农熵纳入优化过程是否能提升马科维茨投资组合优化的鲁棒性与表现？
• RQ2 在与仅基于方差的模型相比时，熵的引入如何改变投资组合优化中风险与收益的平衡？
• RQ3 使投资组合可预测性最大化并使波动率最小化的最优温度（熵的拉格朗日乘子）为何值？
• RQ4 基于熵的优化能否在实际收益与风险调整后收益方面超越标准马科维茨模型与等权重投资组合？
• RQ5 在熵信息指导的优化下，预期收益与实际收益之间的非单调关系如何体现？

主要发现

• 在优化过程中引入熵，使实际投资组合收益显著高于标准马科维茨和等权重基准。
• 经熵校正优化的投资组合在‘冷’市场（低温）中表现出更高的质量比（QR），表明其可预测性更强且风险更低。
• 实际年化收益是非预期收益的非单调函数，其峰值出现在约60%的预期收益水平——远高于市场投资组合的20%收益——证明在熵信息指导的优化下具有实现更高表现的潜力。
• 拉格朗日乘子 $ \alpha $ 的负值使优化重点从最大化预期收益转向通过基于相关性的分散化来最小化风险。
• 高温区间导致波动率上升并引发收益的急剧下降，表明存在‘过热’效应；而低温区间则带来更平稳、更稳定的表现。
• 基于熵的信息优化优于标准马科维茨模型与等权重投资组合，如图6所示的复合价值轨迹所证实，表明熵信息具有附加价值。