[论文解读] Robo-Advising in Motion: A Model Predictive Control Approach

Tomasz R. Bielecki, Igor Cialenco|arXiv (Cornell University)|Jan 14, 2026

Risk and Portfolio Optimization被引用 0

一句话总结

该论文开发了一个动态的多期机器人投资顾问框架，采用模型预测控制（MPC），将隐马尔可夫模型（HMM）与黑利特曼（Black-Litterman）预测结合，优化在实际约束下的资产配置。比较了动态均值-方差与动态风险预算（动态MRB）两种准则。

ABSTRACT

Robo-advisors (RAs) are automated portfolio management systems that complement traditional financial advisors by offering lower fees and smaller initial investment requirements. While most existing RAs rely on static, one-period allocation methods, we propose a dynamic, multi-period asset-allocation framework that leverages Model Predictive Control (MPC) to generate suboptimal but practically effective strategies. Our approach combines a Hidden Markov Model with Black-Litterman (BL) methodology to forecast asset returns and covariances, and incorporates practically important constraints, including turnover limits, transaction costs, and target portfolio allocations. We study two predominant optimality criteria in wealth management: dynamic mean-variance (MV) and dynamic risk-budgeting (MRB). Numerical experiments demonstrate that MPC-based strategies consistently outperform myopic approaches, with MV providing flexible and diversified portfolios, while MRB delivers smoother allocations less sensitive to key parameters. These findings highlight the trade-offs between adaptability and stability in practical robo-advising design.

研究动机与目标

• 提出一个动态的、多期资产配置框架，供机器人投资顾问使用，相较静态的一期方法有改进。
• 集成模型预测控制（MPC）以生成在实际 RA 系统中可行的次优但有效的动态策略。
• 将隐马尔可夫模型（HMM）与 Black–Litterman 结合，用于预测资产收益与协方差。
• 在 MPC 框架中纳入换手限制、交易成本与目标配置等现实约束。

提出的方法

• 将机器人投资顾问建模为带滚动视界的随机MPC问题。
• 使用合并的 HMM–Black-Litterman 方法来预测资产均值与协方差。
• 研究两种最优性准则：动态均值-方差（MV）与动态风险预算（MRB）。
• 强加实际约束，包括多头头寸、自融资、换手限制与目标投资组合。
• 在交易成本函数为凸时，将 SMPC 子问题求解为凸规划。
• 对于 MRB，使用基于标准差和 Euler 风险贡献的风险度量，并采用凸近似以实现可化简的优化。

实验结果

研究问题

• RQ1 动态多期的 MPC 框架是否能优于我的剖面式的一期投资顾问策略？
• RQ2 在现实约束下，MV 与 MRB 准则在产生灵活性与稳定性方面有何差异？
• RQ3 HMM–BL 预测模块如何影响动态配置的均值与协方差估计？
• RQ4 换手限制与交易成本对由 MPC 驱动的机器人投资顾问的性能有何影响？
• RQ5 在变化的投资期限与风险参数下，MRB 方法是否具有鲁棒性？

主要发现

• 基于 MPC 的策略在所有测试场景中都显著优于剖面式方法。
• 带有 BL 的 MV 能产生更分散的投资组合，但对风险特征的变化仍然敏感。
• MRB 产生更平滑、更加稳定的配置，在不同期限与参数设置范围内具备鲁棒性。
• 软性交易成本惩罚经常不足以稳定交易活动，硬约束有助于在实践中稳定交易。
• 在适应性（MV）与稳定性（MRB）之间存在权衡，应引导优化准则的选择与约束设计。