A Synthetic Regression Model for Large Portfolio Allocation
用于大规模投资组合配置的合成回归模型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。
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：摘要聚焦均值—方差投资组合配置，未直接讨论资产定价、收益预测或尾部与系统性风险，给定细分不足以准确归类。
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…
用于大规模投资组合配置的合成回归模型
- 研究问题
- 在资产数量较多时，如何通过合成回归构造投资组合配置，并改善合成响应近似及其与均值—方差最优配置的接近程度？
- 方法与思路
- 作者基于均值—方差优化提出合成回归模型及样本生成方法，通过嵌入留一思想改善合成响应近似，并减弱合成样本内部相关性。
- 材料陈述的贡献
- 摘要称，新合成样本提高大资产集的响应近似精度，渐近分析支持配置更接近最优，模拟也报告优于已有方法。
- 阅读关注点
- 阅读时应核对资产数与样本量的渐近关系、合成响应近似误差、留一构造的作用，以及模拟和真实数据比较采用的评价口径。
- 阅读边界
- 摘要未说明渐近条件、样本设计、交易成本及收益评价口径；真实数据中的积极收益描述不足以判断样本外表现或实际配置价值。
原文摘要
Portfolio allocation is an important topic in financial data analysis. In this article, based on the mean-variance optimization principle, we propose a synthetic regression model for construction of portfolio allocation, and an easy to implement approach to generate the synthetic sample for the model. Compared with the regression approach in existing literature for portfolio allocation, the proposed method of generating the synthetic sample provides more accurate approximation for the synthetic response variable when the number of assets under consideration is large. Due to the embedded leave-one-out idea, the synthetic sample generated by the proposed method has weaker within sample correlation, which makes the resulting portfolio allocation more close to the optimal one. This intuitive conclusion is theoretically confirmed to be true by the asymptotic properties established in this article. We have also conducted intensive simulation studies in this article to compare the proposed method with the existing ones, and found the proposed method works better. Finally, we apply the proposed method to real datasets. The yielded returns look very encouraging.