[论文解读] Growth-Optimal Portfolio Selection under CVaR Constraints

Guy Uziel, Ran El‐Yaniv|arXiv (Cornell University)|May 27, 2017

Advanced Bandit Algorithms Research参考文献 20被引用 5

一句话总结

本文提出CANN（CVaR调整近邻），一种新颖的在线投资组合选择策略，旨在条件风险价值（CVaR）约束下实现长期财富增长最大化。通过将非参数近邻估计与风险调整机制相结合，CANN在平稳遍历市场中渐近实现最优性能，同时保证CVaR始终低于用户定义的阈值，已在NYSE和MSCI数据集上得到验证，展现出优越的风险调整后收益。

ABSTRACT

Online portfolio selection research has so far focused mainly on minimizing regret defined in terms of wealth growth. Practical financial decision making, however, is deeply concerned with both wealth and risk. We consider online learning of portfolios of stocks whose prices are governed by arbitrary (unknown) stationary and ergodic processes, where the goal is to maximize wealth while keeping the conditional value at risk (CVaR) below a desired threshold. We characterize the asymptomatically optimal risk-adjusted performance and present an investment strategy whose portfolios are guaranteed to achieve the asymptotic optimal solution while fulfilling the desired risk constraint. We also numerically demonstrate and validate the viability of our method on standard datasets.

研究动机与目标

• 为解决在线投资组合选择中风险常被忽视的问题，尽管其在实际金融中至关重要。
• 开发一种通用的风险感知策略，在保持财富增长渐近最优性的同时，强制执行CVaR风险约束。
• 将非参数近邻方法扩展至在随机、非独立同分布市场环境下整合一致风险度量（如CVaR）。
• 证明风险控制可在不牺牲长期增长表现的前提下实现于真实金融数据中。
• 为一般平稳遍历过程下的风险调整型通用投资组合选择提供框架。

提出的方法

• 该方法使用非参数近邻方法估计市场收益的条件分布，利用历史价格模式。
• 提出一种新颖机制，基于收益潜力和CVaR暴露程度调整投资组合权重，确保风险保持在用户定义的阈值内。
• 该策略采用有限数量的专家（实验中为50个），每个专家具有不同的风险-收益特征，对应于从历史市场向量导出的特定投资组合配置。
• 投资组合权重通过类似贝叶斯的聚合方式动态更新，专家先验均匀分布，近期表现的折扣因子α=0.95。
• CVaR通过分位数方法计算，置信水平为0.95（γ=0.05），算法通过调节γ控制风险暴露。
• 理论证明了在平稳遍历过程中渐近最优性，确保收敛至最佳可能的风险调整后增长率。

实验结果

研究问题

• RQ1 通用在线投资组合策略能否在严格约束CVaR低于期望阈值的同时，实现最优长期财富增长？
• RQ2 非参数近邻方法如何适应在随机、非独立同分布市场环境下整合一致风险度量（如CVaR）？
• RQ3 在通用投资组合框架中，风险（以CVaR衡量）与预期增长率之间的权衡关系如何？
• RQ4 渐近非参数策略的有限时域实现能否在真实金融数据中实现强劲的实证表现？
• RQ5 CVaR置信水平（γ）的选择在实践中如何影响风险与收益之间的平衡？

主要发现

• 在NYSE数据集（1985–1995）上，CANN最终财富达到58.8，显著优于BCRP（12.53）、UP（5.05）、EG（5.03）、ONS（5.83），甚至优于长期持有型近邻策略（39.56）。
• 在MSCI数据集（2006–2010）上，CANN最终财富达到6.06×10³，远超BCRP（1.51）、UP（0.92）、EG（0.93）、ONS（0.86），以及长期持有型近邻策略（13.47）。
• 当γ从基准值0.05降低至0.01时，CANN在NYSE上的CVaR从6.3%降至1.24%，在MSCI上从1.59%降至1.59%，表明实现了有效的风险控制。
• 均值-CVaR权衡曲线呈凹形，表明降低γ可提升风险-收益效率，最优性能可在中间γ值处实现。
• 收益的经验概率密度函数显示，CANN显著降低了左尾损失，相较于$β^{L}_{NN}$，表现出更好的下行保护。
• 该策略在不同数据集上表现稳健，CANN始终优于基准算法，同时对CVaR保持严格控制。