Robustifying Markowitz
马科维茨投资组合的稳健化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：摘要围绕重尾金融数据下的最小方差组合、权重稳定和风险控制展开，因此归入金融风险方向。
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…
马科维茨投资组合的稳健化
- 研究问题
- 重尾金融数据导致样本矩估计不稳、组合权重剧烈变化时，如何稳定全局最小方差投资组合的权重、换手率和交易成本？
- 方法与思路
- 作者使用投影梯度下降，避免估计和求逆完整协方差算子，转而以中位数均值方法稳健估计梯度增量，并研究跨权重的一致性质。
- 材料陈述的贡献
- 摘要称，所构造估计量计算高效且具有近高斯统计性质；股票市场实证中，稳健组合相对所列基准换手率最低，样本外表现保持或略有改善。
- 阅读关注点
- 应核对重尾下所需矩条件、权重约束和一致误差保证，以及换手率、实际交易成本和样本外表现的评价方式与比较基准。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核验；摘要未给出市场样本、成本设定或改善幅度，实证比较不能支持普遍的组合表现优势。
原文摘要
Markowitz mean-variance portfolios with sample mean and covariance as input parameters feature numerous issues in practice. They perform poorly out of sample due to estimation error, they experience extreme weights together with high sensitivity to change in input parameters. The heavy-tail characteristics of financial time series are in fact the cause for these erratic fluctuations of weights that consequently create substantial transaction costs. In robustifying the weights we present a toolbox for stabilizing costs and weights for global minimum Markowitz portfolios. Utilizing a projected gradient descent (PGD) technique, we avoid the estimation and inversion of the covariance operator as a whole and concentrate on robust estimation of the gradient descent increment. Using modern tools of robust statistics we construct a computationally efficient estimator with almost Gaussian properties based on median-of-means uniformly over weights. This robustified Markowitz approach is confirmed by empirical studies on equity markets. We demonstrate that robustified portfolios reach the lowest turnover compared to shrinkage-based and constrained portfolios while preserving or slightly improving out-of-sample performance.