[论文解读] Index Tracking with Cardinality Constraints: A Stochastic Neural Networks Approach

Yu Zheng, Bowei Chen+2 more|arXiv (Cornell University)|Nov 12, 2019

Financial Markets and Investment Strategies参考文献 31被引用 4

一句话总结

该论文提出一种具有新颖重参数化方法的随机神经网络方法，以解决具有基数约束的指数跟踪问题，与现有方法相比显著降低了跟踪误差。该方法在12年S&P 500数据上对多种投资组合规模均表现出优越性能，优于前向/后向选择法和市值加权法，同时保持了相近的风险调整指标。

ABSTRACT

Partial (replication) index tracking is a popular passive investment strategy. It aims to replicate the performance of a given index by constructing a tracking portfolio which contains some constituents of the index. The tracking error optimisation is quadratic and NP-hard when taking the L0 constraint into account so it is usually solved by heuristic methods such as evolutionary algorithms. This paper introduces a simple, efficient and scalable connectionist model as an alternative. We propose a novel reparametrisation method and then solve the optimisation problem with stochastic neural networks. The proposed approach is examined with S&P 500 index data for more than 10 years and compared with widely used index tracking approaches such as forward and backward selection and the largest market capitalisation methods. The empirical results show our model achieves excellent performance. Compared with the benchmarked models, our model has the lowest tracking error, across a range of portfolio sizes. Meanwhile it offers comparable performance to the others on secondary criteria such as volatility, Sharpe ratio and maximum drawdown.

研究动机与目标

• 为解决具有ℓ₀范数约束（投资组合基数）的指数跟踪问题的NP难性质，提出一种可扩展、高效的启发式方法替代方案。
• 开发一种重参数化技术，实现通过随机神经网络对稀疏投资组合权重进行基于梯度的优化。
• 在不同投资组合规模和风险指标下，评估所提方法相对于广泛使用的基准方法的性能表现。
• 通过12年时间跨度的大规模历史模拟测试，证明该方法的一致性和可扩展性。

提出的方法

• 一种新颖的重参数化方法将ℓ₀约束优化问题转化为适合随机梯度下降的可微形式。
• 使用随机神经网络通过从股票权重的参数化分布中采样，学习稀疏投资组合权重。
• 优化目标是在以下约束下最小化跟踪误差（二次损失）：非负权重、总和为一的资金配置，以及通过ℓ₀范数控制基数。
• 采用重参数化反向传播的随机梯度下降进行模型训练，实现稀疏、高性能投资组合的端到端学习。
• 使用滑动窗口方法对2006年至2018年S&P 500数据进行历史模拟测试，投资组合规模K ∈ {30, 40, 50}。
• 通过跟踪误差、波动率、夏普比率和最大回撤等指标评估性能，并与前向选择法、后向选择法和市值加权法基准进行比较。

实验结果

研究问题

• RQ1 具有新颖重参数化方法的随机神经网络能否有效解决具有ℓ₀基数约束的NP难指数跟踪问题？
• RQ2 在不同投资组合规模下，所提方法与传统启发式方法（如前向选择和后向选择）相比，其跟踪误差表现如何？
• RQ3 该随机神经网络方法在不同随机种子和长期历史模拟周期下是否保持一致的性能表现？
• RQ4 与基准指数相比，该方法在关键风险指标（波动率、夏普比率、回撤）方面保持程度如何？

主要发现

• 在所有测试的投资组合规模（K = 30, 40, 50）下，所提随机神经网络方法的跟踪误差最低，优于前向选择法、后向选择法以及最大市值法。
• 该方法持续优于基准方法，跟踪误差图中多数情况下显示投资组合表现优于基准（PE图中误差为正），表明其鲁棒性和准确性。
• 在100次不同随机种子的运行中表现高度一致，如随机性分析中窄的置信区间所示。
• 在次要指标上，该模型与基准表现相当：夏普比率和最大回撤略优，波动率略逊，但仍在可接受范围内。
• 该方法展现出良好的可扩展性和效率，避免了进化算法的高计算成本，同时实现了更优的跟踪精度。
• 在12年历史模拟窗口（2006–2018）内，模型表现出良好的泛化能力和稳定性，证实其在真实世界指数跟踪中的实际可行性。