[论文解读] Stochastic Portfolio Theory: A Machine Learning Perspective

Yves-Laurent Kom Samo, Alexander Vervuurt|arXiv (Cornell University)|May 9, 2016

Stochastic processes and financial applications参考文献 3被引用 8

一句话总结

本文提出一种基于高斯过程的机器学习方法，用于求解随机投资组合理论（SPT）中的逆问题，基于用户定义的绩效标准，从历史数据中学习最优投资策略。该方法在金融危机期间尤其表现出色，通过引入ROA等额外基本面因子，实现了非参数化、风险调整后的投资组合构建，其表现优于传统SPT策略和基准指数。

ABSTRACT

In this paper we propose a novel application of Gaussian processes (GPs) to financial asset allocation. Our approach is deeply rooted in Stochastic Portfolio Theory (SPT), a stochastic analysis framework introduced by Robert Fernholz that aims at flexibly analysing the performance of certain investment strategies in stock markets relative to benchmark indices. In particular, SPT has exhibited some investment strategies based on company sizes that, under realistic assumptions, outperform benchmark indices with probability 1 over certain time horizons. Galvanised by this result, we consider the inverse problem that consists of learning (from historical data) an optimal investment strategy based on any given set of trading characteristics, and using a user-specified optimality criterion that may go beyond outperforming a benchmark index. Although this inverse problem is of the utmost interest to investment management practitioners, it can hardly be tackled using the SPT framework. We show that our machine learning approach learns investment strategies that considerably outperform existing SPT strategies in the US stock market.

研究动机与目标

• 解决随机投资组合理论（SPT）中的逆问题，因为现有方法无法系统地从市场数据中推导出最优策略。
• 实现基于任意交易特征（如市值、ROA）的投资策略学习，而非仅限于市值本身。
• 整合用户定义的绩效指标（超越市场指数简单超额收益），如夏普比率或风险调整后收益。
• 提升对市场危机的鲁棒性，并纳入破产和交易成本等现实市场摩擦。
• 开发一种灵活的非参数框架，以揭示经典SPT框架下无法解析推导的复杂非线性投资映射。

提出的方法

• 提出一种贝叶斯非参数模型，在将交易特征（如市值、ROA）映射到投资组合权重的函数上施加高斯过程（GP）先验。
• 通过用户指定的绩效指标（如超额收益、夏普比率）和被视为‘卓越’的阈值，定义策略‘卓越’的可能性。
• 使用马尔可夫链蒙特卡洛（MCMC）采样近似GP的后部分布，从而实现对最优投资映射的推断。
• 该方法应用于1992–2014年的美国股市历史数据，模型在样本内数据（1992–2005）上训练，并在样本外数据（2006–2014）上测试。
• GP在网格上被近似为分段常数，但该框架可扩展至稀疏或结构化GP，以提升可扩展性和建模能力。
• 该方法自然地处理市场不完善性：表现不佳的股票被下调权重，交易成本可通过绩效指标纳入考量。

实验结果

研究问题

• RQ1 机器学习框架能否在真实股票市场中学习到优于经典SPT策略的投资策略？
• RQ2 将ROA等额外基本面特征纳入是否能提升样本外表现和风险调整后收益？
• RQ3 非参数化、数据驱动的方法能否揭示在SPT框架内无法通过解析方法推导的投资策略？
• RQ4 所学习的策略对金融危机（如2008年市场崩盘）的鲁棒性如何？
• RQ5 用户定义的绩效标准的灵活性在多大程度上提升了策略优化，超越基准指数的简单超额收益？

主要发现

• CAP+ROA策略实现了18.33%的样本外年化收益率，显著高于标普500指数的7.90%和仅使用CAP的策略的18.01%。
• CAP+ROA策略的年化夏普比率为0.72，高于CAP策略的0.60和市场指数的0.47，表明其风险调整后表现更优。
• 在2008年金融危机期间，CAP+ROA策略的财富过程表现出更低的波动性，并具有稳定作用，如样本外财富时间序列所示。
• 投资映射后验分布揭示了特征与权重之间复杂的非线性依赖关系，这是参数化模型无法捕捉的。
• 增加ROA作为特征显著提升了策略表现，证实基本面因子在市值之外仍具有显著价值。
• 该方法在市场压力下表现出强鲁棒性，CAP+ROA策略即使在市场波动率较高的时期也保持了强劲表现。