Dependency Network-Based Portfolio Design with Forecasting and VaR Constraints
结合预测与 VaR 约束的依赖网络投资组合设计AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确使用 VaR 进行风险配置，并以 VAR、ARIMA 和 NNAR 分析股票时间序列。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
结合预测与 VaR 约束的依赖网络投资组合设计
- 研究问题
- 如何将股票依赖网络、时间序列预测与 VaR 风险度量结合进行动态组合设计，并通过交易模拟比较其表现？
- 方法与思路
- 作者用 VAR 和 FEVD 构建依赖网络，以最小生成树及度中心性筛选股票，按 VaR 配置资金，并加入 ARIMA 与 NNAR 预测。
- 材料陈述的贡献
- 摘要称一年交易模拟中网络策略优于买入持有，报告调优后 NNAR 策略收益率为百分之六十三点七四，基准为百分之十八。
- 阅读关注点
- 应核对预测对象、调参与测试期是否隔离，以及网络边权、VaR 约束、交易成本和收益计算，判断比较是否具有可比性。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或获期刊接收；收益为摘要自报，未说明成本和样本外流程，无法确认稳健性。
原文摘要
This study proposes a novel portfolio optimization framework that integrates statistical social network analysis with time series forecasting and risk management. Using daily stock data from the S&P 500 (2020-2024), we construct dependency networks via Vector Autoregression (VAR) and Forecast Error Variance Decomposition (FEVD), transforming influence relationships into a cost-based network. Specifically, FEVD breaks down the VAR's forecast error variance to quantify how much each stock's shocks contribute to another's uncertainty information we invert to form influence-based edge weights in our network. By applying the Minimum Spanning Tree (MST) algorithm, we extract the core inter-stock structure and identify central stocks through degree centrality. A dynamic portfolio is constructed using the top-ranked stocks, with capital allocated based on Value at Risk (VaR). To refine stock selection, we incorporate forecasts from ARIMA and Neural Network Autoregressive (NNAR) models. Trading simulations over a one-year period demonstrate that the MST-based strategies outperform a buy-and-hold benchmark, with the tuned NNAR-enhanced strategy achieving a 63.74% return versus 18.00% for the benchmark. Our results highlight the potential of combining network structures, predictive modeling, and risk metrics to improve adaptive financial decision-making.