[论文解读] Learning Risk Preferences from Investment Portfolios Using Inverse Optimization

Shi Ming Yu, Haoran Wang+1 more|arXiv (Cornell University)|Oct 4, 2020

Financial Markets and Investment Strategies被引用 4

一句话总结

本文提出一种逆优化框架，通过观测到的投资组合与市场数据，从均值-方差投资组合理论的前向模型中学习时变的风险偏好。通过推断最能解释实际投资组合配置的风险偏好参数，该方法实现了实时、数据驱动的投资者风险容忍度估计，经与既有的风险度量方法对比验证，显示出与市场基准的高度一致性。

ABSTRACT

The fundamental principle in Modern Portfolio Theory (MPT) is based on the quantification of the portfolio's risk related to performance. Although MPT has made huge impacts on the investment world and prompted the success and prevalence of passive investing, it still has shortcomings in real-world applications. One of the main challenges is that the level of risk an investor can endure, known as \emph{risk-preference}, is a subjective choice that is tightly related to psychology and behavioral science in decision making. This paper presents a novel approach of measuring risk preference from existing portfolios using inverse optimization on the mean-variance portfolio allocation framework. Our approach allows the learner to continuously estimate real-time risk preferences using concurrent observed portfolios and market price data. We demonstrate our methods on real market data that consists of 20 years of asset pricing and 10 years of mutual fund portfolio holdings. Moreover, the quantified risk preference parameters are validated with two well-known risk measurements currently applied in the field. The proposed methods could lead to practical and fruitful innovations in automated/personalized portfolio management, such as Robo-advising, to augment financial advisors' decision intelligence in a long-term investment horizon.

研究动机与目标

• 为解决自动化投资中静态、基于调查的风险偏好估计的局限性，直接从观测到的投资组合配置中学习风险偏好。
• 开发一种动态、实时的方法，利用同步的市场与投资组合数据估计时变风险偏好。
• 通过与既有的金融风险度量（如贝塔系数和逆夏普比率）对比，验证推断出的风险偏好。
• 通过提供可操作的、持续更新的风险容忍度参数，实现该方法在自动化投资组合管理系统的实际部署。
• 通过在10至20年时间跨度内对机器人投资组合和真实共同基金持仓数据的应用，证明该方法的稳健性与一致性。

提出的方法

• 将投资组合配置决策建模为一个风险偏好为可学习参数的均值-方差优化问题。
• 应用逆优化方法，推断在给定市场回报与资产价格下，能生成观测到的投资组合配置的风险偏好参数。
• 采用凸优化框架，求解使观测组合与最优组合之间对偶间隙最小化的风险偏好参数。
• 将该方法扩展至行业与因子层面的配置，以评估不同投资维度下的风险偏好。
• 引入时间序列数据，实现风险偏好的动态估计，从而允许投资者风险容忍度在时间上发生变动。
• 通过CAPM贝塔系数和逆夏普比率等基准风险度量验证结果，确保金融直觉与一致性。

实验结果

研究问题

• RQ1 是否能够仅通过逆优化从观测到的投资组合配置中准确推断风险偏好，而无需依赖调查或假设情景？
• RQ2 推断出的风险偏好参数与既有的金融风险度量（如贝塔系数和逆夏普比率）相比如何？
• RQ3 从现实世界投资组合中估计出的风险偏好在多大程度上表现出时变行为？其在不同投资风格或行业间是否稳定？
• RQ4 推断出的风险偏好能否作为自动化、个性化投资组合构建在机器人顾问系统中的可靠输入？
• RQ5 当该方法应用于长期时间跨度内的模拟机器人投资组合和真实共同基金持仓时，其表现如何？

主要发现

• 所提出的逆优化方法成功地从观测投资组合中推断出时变风险偏好，且在多种验证指标下结果一致。
• 在行业空间中，标普500基准基金的风险容忍度估计值在0.2至0.5之间，反映出中等水平的风险敞口。
• 主动管理型基金如VSEQX和VSTCX表现出更高的风险容忍度（高于0.5），与其更高的波动率和主动管理风格相符。
• 各共同基金风险容忍度估计值的排序与CAPM贝塔值高度一致，多数散点图接近图4(h)中的对角线。
• 在因子空间中，逆夏普比率比在行业空间中更平滑、更稳定，后者则表现出更高的波动率和更宽的置信区间。
• 该方法实现了实时、数据驱动的风险偏好估计，使其适用于随市场条件变化而动态更新风险参数的个性化机器人顾问系统。