[论文解读] State of the Art Review for Applying Computational Intelligence and Machine Learning Techniques to Portfolio Optimisation

Evan Hurwitz, Tshilidzi Marwala|ArXiv.org|Oct 13, 2009

Risk and Portfolio Optimization参考文献 33被引用 4

一句话总结

本文综述了计算智能与机器学习技术在投资组合优化中的应用，评估了神经网络、遗传算法和支持向量机等方法。文章识别了这些方法的关键优势与局限性，并提出了改进金融投资组合管理的未来研究方向。

ABSTRACT

Computational techniques have shown much promise in the field of Finance, owing to their ability to extract sense out of dauntingly complex systems. This paper reviews the most promising of these techniques, from traditional computational intelligence methods to their machine learning siblings, with particular view to their application in optimising the management of a portfolio of financial instruments. The current state of the art is assessed, and prospective further work is assessed and recommended

研究动机与目标

• 评估计算智能与机器学习在金融投资组合优化中的当前发展状况。
• 识别计算智能与机器学习中处理复杂非线性金融数据最有效的技术。
• 评估现有方法在实际投资组合管理场景中的性能与局限性。
• 为将先进人工智能技术应用于投资组合优化提供未来研究建议。

提出的方法

• 对应用于投资组合优化的计算智能与机器学习技术进行系统性综述。
• 分析传统方法，如神经网络、遗传算法和模糊逻辑系统。
• 评估现代机器学习方法，包括支持向量机和强化学习。
• 比较不同算法在优化风险调整收益方面的性能指标。
• 基于计算金融领域的实证研究与理论框架综合研究发现。
• 识别当前研究中的空白以及实际应用中的方法论挑战。

实验结果

研究问题

• RQ1 哪些计算智能与机器学习技术在投资组合优化中最为有效？
• RQ2 这些技术在实践中与经典的马科维茨均值-方差模型相比表现如何？
• RQ3 将基于人工智能的方法应用于真实金融数据时，其关键局限性与挑战是什么？
• RQ4 评估投资组合优化算法时，最合适的性能指标是什么？
• RQ5 在推动人工智能驱动的投资组合管理方面，哪些未来研究方向最具前景？

主要发现

• 机器学习与计算智能技术在提升投资组合风险调整收益方面展现出强大潜力。
• 神经网络与遗传算法在处理非线性与非高斯金融数据方面优于传统模型。
• 支持向量机在高维与噪声较大的金融数据集中表现出稳健性能。
• 结合多种技术的混合模型通常优于单一方法的解决方案。
• 尽管理论前景良好，但实际应用仍面临数据质量、过拟合与模型可解释性等挑战。
• 未来研究应聚焦于自适应学习、实时优化，以及与行为金融模型的整合。