[论文解读] Weighted Elastic Net Penalized Mean-Variance Portfolio Design and Computation

Michael Ho, Zheng Sun+1 more|arXiv (Cornell University)|Feb 5, 2015

Monetary Policy and Economic Impact被引用 18

一句话总结

本文提出了一种加权弹性网络惩罚均值-方差投资组合优化方法，通过鲁棒重构将参数不确定性纳入马克维茨框架，以降低估计风险。该方法采用数据驱动的惩罚权重校准和自适应支持分裂Bregman算法，在美国股票数据上实现了优于无惩罚和均匀惩罚投资组合的样本外表现及计算速度。

ABSTRACT

It is well known that the out-of-sample performance of Markowitz's mean-variance portfolio criterion can be negatively affected by estimation errors in the mean and covariance. In this paper we address the problem by regularizing the mean-variance objective function with a weighted elastic net penalty. We show that the use of this penalty can be motivated by a robust reformulation of the mean-variance criterion that directly accounts for parameter uncertainty. With this interpretation of the weighted elastic net penalty we derive data driven techniques for calibrating the weighting parameters based on the level of uncertainty in the parameter estimates. We test our proposed technique on US stock return data and our results show that the calibrated weighted elastic net penalized portfolio outperforms both the unpenalized portfolio and uniformly weighted elastic net penalized portfolio. This paper also introduces a novel Adaptive Support Split-Bregman approach which leverages the sparse nature of $\\ell_{1}$ penalized portfolios to efficiently compute a solution of our proposed portfolio criterion. Numerical results show that this modification to the Split-Bregman algorithm results in significant improvements in computational speed compared with other techniques.

研究动机与目标

• 解决马克维茨均值-方差投资组合因预期收益和协方差矩阵估计误差导致的样本外表现不佳问题。
• 提出一种鲁棒重构的均值-方差准则，明确考虑均值和协方差估计中的参数不确定性。
• 基于参数估计不确定性水平，开发一种数据驱动的加权弹性网络惩罚中权重参数的校准方案。
• 设计一种高效的计算算法，求解由此产生的优化问题，利用ℓ₁惩罚带来的稀疏性。
• 与无惩罚和均匀惩罚投资组合相比，展示改进的投资组合表现和计算效率。

提出的方法

• 通过结合ℓ₁和ℓ₂范数并引入资产特定权重的加权弹性网络惩罚，对均值-方差目标函数进行正则化。
• 通过考虑均值和协方差估计不确定性的鲁棒优化重构，为加权弹性网络惩罚提供理论依据。
• 使用均值和协方差参数估计标准误的倒数来校准惩罚权重，以反映估计不确定性。
• 开发一种自适应支持分裂Bregman算法，利用ℓ₁正则化投资组合的稀疏性以加速收敛。
• 采用带有自适应支持识别的分裂Bregman方法，动态更新活动集，提升计算效率。
• 将优化问题表述为带有ℓ₁和ℓ₂惩罚的约束二次规划，通过交替方向乘子法（ADMM）与对偶上升法求解。

实验结果

研究问题

• RQ1 如何系统性地将均值和协方差估计中的参数不确定性纳入均值-方差投资组合优化，以提升样本外表现？
• RQ2 是否存在一种原则性、数据驱动的方法，用于校准加权弹性网络惩罚中的权重，以反映估计参数的可靠性？
• RQ3 一种能根据解的支撑集自适应调整的改进分裂Bregman算法，是否能显著提升稀疏投资组合优化的计算速度？
• RQ4 所提出的加权弹性网络惩罚投资组合是否在风险调整收益方面优于无惩罚马克维茨投资组合和均匀惩罚弹性网络投资组合？
• RQ5 均值-方差准则的鲁棒重构与惩罚结构选择及其校准之间有何关系？

主要发现

• 在美股收益数据上，经校准的加权弹性网络惩罚投资组合在样本外表现显著优于无惩罚马克维茨投资组合和均匀惩罚弹性网络投资组合。
• 自适应支持分裂Bregman算法由于动态支持识别，相比标准分裂Bregman和其他现有方法，显著降低了计算时间。
• 基于估计不确定性的数据驱动惩罚权重校准，使投资组合权重更加稳定可靠，降低了对噪声输入数据的敏感性。
• 均值-方差准则的鲁棒重构为加权弹性网络惩罚提供了理论基础，直接将其与参数不确定性联系起来。
• 数值结果证实，所提方法在渐近意义上保持了投资组合方差低于无惩罚投资组合的水平，符合校准方案的设计初衷。
• 该方法成功在投资组合权重中诱导了稀疏性，产生持有较少非零头寸的分散化投资组合，从而降低了交易成本和换手率。