[论文解读] Robust Utility Maximization in a Multivariate Financial Market with Stochastic Drift

Jörn Saß, Dorothee Westphal|arXiv (Cornell University)|Sep 30, 2020

Stochastic processes and financial applications参考文献 24被引用 4

一句话总结

该论文通过结合最坏情况优化与基于滤波技术推导出的时间依赖性不确定性集，提出了一种在具有随机漂移的多变量金融市场中的鲁棒效用最大化框架。它为局部优化问题建立了最小最大定理，并表明在模型误设情况下，鲁棒策略显著优于非鲁棒策略，尤其是在获得额外信息时。

ABSTRACT

We study a utility maximization problem in a financial market with a stochastic drift process, combining a worst-case approach with filtering techniques. Drift processes are difficult to estimate from asset prices, and at the same time optimal strategies in portfolio optimization problems depend crucially on the drift. We approach this problem by setting up a worst-case optimization problem with a time-dependent uncertainty set for the drift. Investors assume that the worst possible drift process with values in the uncertainty set will occur. This leads to local optimization problems, and the resulting optimal strategy needs to be updated continuously in time. We prove a minimax theorem for the local optimization problems and derive the optimal strategy. Further, we show how an ellipsoidal uncertainty set can be defined based on filtering techniques and demonstrate that investors need to choose a robust strategy to be able to profit from additional information.

研究动机与目标

• 解决投资组合优化中漂移估计不确定性的问题，其中漂移难以从历史数据中估计，且对最优策略有重大影响。
• 开发一种鲁棒优化框架，采用最坏情况方法，考虑漂移过程中随时间变化的不确定性。
• 整合滤波技术，基于流入信息（如收益或专家意见）动态更新不确定性集。
• 证明基于局部最坏情况优化推导出的鲁棒策略，相较于基于滤波漂移估计的非鲁棒策略，表现更优，尤其是在模型误设情况下。
• 表明投资者仅在采用鲁棒策略时才能从额外信息中获益，而依赖漂移点估计时则无法获益。

提出的方法

• 在每个时间 t 构建一个局部最坏情况优化问题，假设在时间依赖性不确定性集 Kt 内存在最坏可能的漂移过程。
• 使用适应于投资者过滤器的时间依赖性椭球不确定性集 Kt，该集合源自对隐藏漂移过程的滤波。
• 应用最小最大定理求解局部优化问题，并在每个时间 t 推导出最优鲁棒策略 π∗t。
• 采用随机滤波估计漂移过程的条件均值，以指导不确定性集 Kt 的构建。
• 将漂移过程建模为扩散过程，其动态为 dRt = νt dt + σ dWt，其中 νt 是投资者对漂移的滤波估计。
• 通过 10,000 次蒙特卡洛模拟，比较不同信息设置（N, R, E, C）和策略（π∗, ˆπ）下的期望效用。

实验结果

研究问题

• RQ1 如何将最坏情况优化框架适应于具有随机、时变漂移过程的金融市场？
• RQ2 当漂移不确定性由时间依赖的椭球不确定性集表示时，最优策略是什么？
• RQ3 在模型误设情况下，鲁棒策略与基于滤波漂移估计的非鲁棒策略的性能如何比较？
• RQ4 额外信息（如收益或专家意见）的可得性是否能提升投资表现，以及在何种条件下？
• RQ5 对估计漂移的过度自信在最坏情况场景下在多大程度上导致表现不佳？

主要发现

• 在仅使用模型的设定下（H = N），最坏情况下的期望效用 Eµ∗[Uγ(Xπ∗T)] 最低，值为 1.6179；随着额外信息的增加，该值显著上升（例如，在 H = C 且有 10 位专家意见时为 1.7854）。
• 基于滤波漂移估计的非鲁棒策略 ˆπ 在真实漂移 ν 下表现最佳（H = N 下的平均效用为 2.0426），但在最坏情况漂移 µ∗ 下严重受损，H = R 下的平均效用仅为 0.7754。
• 鲁棒策略 π∗ 在最坏情况场景中始终优于 ˆπ，其 Eµ∗[Uγ(Xπ∗T)] 值从 H = N 时的 1.6179 到 H = C 时的 1.7854 不等，表明鲁棒化对稳定性至关重要。
• π∗ 的期望效用样本标准差（例如 H = C 下为 0.4027）远低于 ˆπ（H = C 下为 134.5858），表明鲁棒策略在不确定性下具有更高的稳定性。
• 结合收益观测与离散专家意见（H = C）可获得最高的最坏情况期望效用（1.7854），表明信息能显著提升鲁棒性能。
• 结果证实，对漂移估计的过度自信会导致最坏情况下的表现不佳，从而验证了即使在有额外信息时，鲁棒策略的必要性。