光華講壇——社會(huì)名流與企業(yè)家論壇第6540期
主題：A Dynamic Multi-strategy using a Constrained Sparse Penalized Regression Analysis of Combinations of Notorious Portfolios with Reinforcement Learning 基于約束稀疏懲罰回歸的動(dòng)態(tài)多策略——帶強(qiáng)化學(xué)習(xí)的臭名昭著投資組合分析
主講人：威尼斯大學(xué)經(jīng)濟(jì)學(xué)院高級(jí)研究員、法國(guó)圣丹尼斯大學(xué)金融經(jīng)濟(jì)學(xué)終身教授 Bertrand Maillet（伯特蘭德·馬耶）教授
主持人： 國(guó)內(nèi)合作與發(fā)展處副處長(zhǎng) 張翔教授
時(shí)間：5月29日 15:00-16:30
舉辦地點(diǎn)：西南財(cái)經(jīng)大學(xué)格致樓618A
主辦單位： 金融學(xué)院 中國(guó)金融研究院 科研處
主講人簡(jiǎn)介：
Bertrand Maillet（伯特蘭德·馬耶）教授，威尼斯大學(xué)（Università Ca' Foscari Venezia）經(jīng)濟(jì)學(xué)院高級(jí)研究員，法國(guó)圣丹尼斯大學(xué)（University of Saint Denis - La Réunion）金融經(jīng)濟(jì)學(xué)終身教授。Bertrand Maillet博士的研究領(lǐng)域包括金融經(jīng)濟(jì)學(xué)、計(jì)量經(jīng)濟(jì)學(xué)、風(fēng)險(xiǎn)管理、績(jī)效評(píng)估、投資組合管理、系統(tǒng)風(fēng)險(xiǎn)、機(jī)器學(xué)習(xí)、ESG和綠色金融以及資產(chǎn)定價(jià)等。
近五年來(lái)，Maillet教授發(fā)表了若干論文，包括但不限于在《Journal of Banking & Finance》、《European Journal of Operational Research》、《Annals of Operations Research》、《Computational Economics》等知名期刊發(fā)表關(guān)于金融網(wǎng)絡(luò)、資產(chǎn)定價(jià)、機(jī)器學(xué)習(xí)、系統(tǒng)性風(fēng)險(xiǎn)到投資者與投資特性相關(guān)的表現(xiàn)評(píng)價(jià)等多個(gè)金融經(jīng)濟(jì)學(xué)的關(guān)鍵議題。同時(shí)Maillet教授在資產(chǎn)配置和定價(jià)模型領(lǐng)域做出了卓越貢獻(xiàn)，包括由John Wiley NYC出版社出版的《多時(shí)刻資產(chǎn)配置和定價(jià)模型》一書(shū)。
內(nèi)容簡(jiǎn)介：
The Mean-Variance model is a widely used asset allocation model in finance, both in academia and industry. In this article, we provide another perspective. The key insight is to take advantage of previous research articles and related solutions, and to put them into the statistical framework of the original approach, complemented by ideas coming from the machine learning field. This insight allows us to significantly improve computational simplicity, computing efficiency, explanatory power and, finally, robustness of optimal portfolios of the Mean-Variance model. We thus propose an innovative approach to dynamic multi-strategy asset allocation, wherein we synergistically combine various influential “notorious portfolios” previously introduced in the financial literature. By harnessing a Reinforcement Learning technique and its adaptable intrinsic nature, our methodology aims to empower fund performance in the long-term, while accommodating diverse real market constraints. Through extensive empirical investigations encompassing a comprehensive gamut of numerous pivotal portfolios, we show the efficacy of our proposed method in diverse market conditions, thus surpassing existing benchmarks and strategies deemed state-of-the-art. Notably, our approach consistently delivers superior performance and lower risk, then outperforming competing methods across various market periods and stock markets when using big data.
均值-方差模型是金融學(xué)界和工業(yè)界廣泛使用的資產(chǎn)配置模型。在本文中，我們提供了另一個(gè)視角。關(guān)鍵的見(jiàn)解是利用以前的研究文章和相關(guān)解決方案，并將其納入原始方法的統(tǒng)計(jì)框架中，輔以來(lái)自機(jī)器學(xué)習(xí)領(lǐng)域的想法。這一見(jiàn)解使我們能夠顯著提高均值-方差模型的計(jì)算簡(jiǎn)單性、計(jì)算效率、解釋能力，以及最優(yōu)投資組合的穩(wěn)健性。因此，我們提出了一種創(chuàng)新的動(dòng)態(tài)多策略資產(chǎn)配置方法，其中我們協(xié)同結(jié)合了先前在金融文獻(xiàn)中引入的各種有影響力的“臭名昭著的投資組合”。通過(guò)利用強(qiáng)化學(xué)習(xí)技術(shù)及其適應(yīng)性的內(nèi)在本質(zhì)，我們的方法旨在增強(qiáng)基金的長(zhǎng)期績(jī)效，同時(shí)適應(yīng)各種實(shí)際市場(chǎng)約束。通過(guò)廣泛的實(shí)證調(diào)查，包括眾多關(guān)鍵投資組合的全面范圍，我們展示了我們提出的方法在不同市場(chǎng)條件下的有效性，從而超過(guò)了被認(rèn)為是最先進(jìn)的現(xiàn)有基準(zhǔn)和戰(zhàn)略。值得注意的是，我們的方法始終提供卓越的性能和更低的風(fēng)險(xiǎn)，然后在使用大數(shù)據(jù)時(shí)，在不同市場(chǎng)時(shí)期和股市中優(yōu)于競(jìng)爭(zhēng)方法。
