[论文解读] Sparse Portfolio Selection via Quasi-Norm Regularization

Caihua Chen, Xindan Li+3 more|arXiv (Cornell University)|Dec 22, 2013

Risk and Portfolio Optimization参考文献 21被引用 36

一句话总结

本文提出使用 $β$-范数正则化模型进行稀疏投资组合选择，采用内点算法在多项式时间内计算近似二阶 KKT 解。该研究建立了稀疏性与投影夏普比率之间的理论联系，表明 $β$-范数正则化在实现期望稀疏性的同时，能保持与 Markowitz 模型相当的风险与收益表现，并通过适当的杠杆与正则化组合间接缓解过拟合问题。

ABSTRACT

In this paper, we propose $\ell_p$-norm regularized models to seek near-optimal sparse portfolios. These sparse solutions reduce the complexity of portfolio implementation and management. Theoretical results are established to guarantee the sparsity of the second-order KKT points of the $\ell_p$-norm regularized models. More interestingly, we present a theory that relates sparsity of the KKT points with Projected correlation and Projected Sharpe ratio. We also design an interior point algorithm to obtain an approximate second-order KKT solution of the $\ell_p$-norm models in polynomial time with a fixed error tolerance, and then test our $\ell_p$-norm modes on S&P 500 (2008-2012) data and international market data.\ The computational results illustrate that the $\ell_p$-norm regularized models can generate portfolios of any desired sparsity with portfolio variance and portfolio return comparable to those of the unregularized Markowitz model with cardinality constraint. Our analysis of a combined model lead us to conclude that sparsity is not directly related to overfitting at all. Instead, we find that sparsity moderates overfitting only indirectly. A combined $\ell_1$-$\ell_p$ model shows that the proper choose of leverage, which is the amount of additional buying-power generated by selling short can mitigate overfitting; A combined $\ell_2$-$\ell_p$ model is able to produce extremely high performing portfolios that exceeded the 1/N strategy and all $\ell_1$ and $\ell_2$ regularized portfolios.

研究动机与目标

• 解决 Markowitz 均值-方差模型中由于预期收益与协方差矩阵估计噪声导致的过拟合问题。
• 开发一种理论基础坚实的稀疏投资组合生成方法，以降低交易与管理复杂度。
• 建立 KKT 点稀疏性与金融风险调整绩效指标（如投影夏普比率）之间的联系。
• 设计一种多项式时间内的点算法，用于计算 $β$-范数正则化模型的近似二阶 KKT 解。
• 通过实证验证，稀疏性本身并不直接减少过拟合，而是通过适当的正则化与杠杆组合间接实现缓解。

提出的方法

• 构建 $β$-范数正则化优化模型，以在投资组合权重中诱导稀疏性，其中 $0 < p < 1$。
• 推导出二阶 KKT 解具有稀疏性的理论条件，将稀疏性与投影相关性及投影夏普比率相联系。
• 提出一种带有预测-校正步骤的内点算法，用于求解 $β$-范数正则化问题，确保在 $O(\u03b5^{-3/2})$ 次迭代内收敛至 $ε$-缩放的二阶 KKT 解。
• 采用障碍法，结合自适应惩罚参数 $λ$ 和线搜索策略，以维持可行性并提升收敛性。
• 引入 $Ø$-范数与 $β$-范数联合模型，以探究杠杆在缓解过拟合中的作用。
• 采用阻尼牛顿法并结合改进的海塞矩阵近似，以处理 $β$-范数惩罚项带来的非凸性。

实验结果

研究问题

• RQ1 能否通过 $β$-范数正则化生成在风险与收益表现上与未正则化的 Markowitz 模型相当的稀疏投资组合？
• RQ2 KKT 点的稀疏性与金融绩效指标（如投影夏普比率）之间有何关联？
• RQ3 稀疏性是否直接减少过拟合？还是其影响是通过其他模型参数间接实现的？
• RQ4 内点法能否高效计算非凸 $β$-范数正则化模型的高质量近似二阶 KKT 解？
• RQ5 将 $Ø$-范数或 $Ø$-范数与 $β$-范数正则化相结合，对投资组合表现与过拟合有何影响？

主要发现

• $β$-范数正则化模型可在保持投资组合方差与收益与基数约束 Markowitz 模型相当的同时，实现任意期望水平的稀疏性。
• 稀疏性本身并非直接减少过拟合的原因；相反，其对过拟合的缓解作用是通过杠杆与正则化结构的合理选择间接实现的。
• 联合 $Ø$-$\u03b2$ 模型表明，适当的杠杆选择可显著缓解稀疏投资组合中的过拟合问题。
• 联合 $Ø$-$\u03b2$ 模型生成的投资组合在样本外表现上优于 1/N 策略以及所有仅使用 $Ø$-或 $Ø$-正则化的投资组合。
• 内点算法在 $O(\u03b5^{-3/2})$ 次迭代内计算出 $ε$-缩放的二阶 KKT 解，确保在固定误差容限下实现多项式时间收敛。
• 理论分析证实，KKT 点的稀疏性与投影相关性及投影夏普比率相关，为正则化效应提供了金融学解释。