Low Volatility Stock Portfolio Through High Dimensional Bayesian Cointegration
通过高维贝叶斯协整构建低波动股票组合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：摘要以高维协整这一时间序列方法估计股票间关系，并直接以组合波动降低为目标，支持时间序列及金融波动率分类。
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…
通过高维贝叶斯协整构建低波动股票组合
- 研究问题
- 研究能否从大量股票中识别稀疏且重要的协整关系，并利用这些关系构建低波动组合，考察其样本外持续性和回撤表现。
- 方法与思路
- 作者采用高维贝叶斯协整估计，在不同资产空间的大型股票集合中筛选关系，据此构建组合，并进行样本外及回撤、波动最小化分析。
- 材料陈述的贡献
- 摘要称，识别出的协整关系在样本外测试期较持久，所构建组合波动较低，进一步分析也支持其在组合风险管理中的用途。
- 阅读关注点
- 应核对协整秩与稀疏先验、股票筛选和样本外划分，以及交易成本、再平衡规则和基准组合是否影响所述低波动表现。
- 阅读边界
- 所给来源为 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未给出先验细节、测试期限或风险降低数值。
原文摘要
We employ a Bayesian modelling technique for high dimensional cointegration estimation to construct low volatility portfolios from a large number of stocks. The proposed Bayesian framework effectively identifies sparse and important cointegration relationships amongst large baskets of stocks across various asset spaces, resulting in portfolios with reduced volatility. Such cointegration relationships persist well over the out-of-sample testing time, providing practical benefits in portfolio construction and optimization. Further studies on drawdown and volatility minimization also highlight the benefits of including cointegrated portfolios as risk management instruments.