On Reference-Regulated Multiperiod Mean-Variance Portfolio Optimization in High Dimensions
高维参考调节多期均值-方差投资组合优化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：摘要讨论均值-方差投资组合优化、样本外Sharpe比率与高维估计误差，直接属于资产定价与组合风险方向；未涉及因果识别、面板或宏观时间序列方法。
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
高维参考调节多期均值-方差投资组合优化
- 研究问题
- 摘要称，多期均值-方差组合优化虽扩展了Markowitz静态框架，但同样易受估计误差影响；本文关注在高维渐近下，如何通过引入参考策略惩罚来改善多期组合的样本外表现。
- 方法与思路
- 作者提出参考调节多期均值-方差（RRMV）框架，对偏离参考策略的部分施加惩罚，从而结合动态策略与参考组合的优点；并在均值向量与协方差矩阵均含估计误差的高维渐近设定下刻画样本外Sharpe比率。
- 材料陈述的贡献
- 摘要称核心贡献是在高维渐近且均值与协方差均存在估计误差时给出样本外Sharpe比率的刻画，并说明参考惩罚与投资期限如何共同影响组合表现，以及正则化在多期与单期优化中的作用差异。
- 阅读关注点
- 应核对高维渐近的具体假设、估计误差的设定方式、样本外Sharpe比率刻画的推导条件，以及参考惩罚与投资期限交互结论的适用范围；并查看模拟与实证的数据、基准和评价细节。
- 阅读边界
- 仅凭摘要无法判断推导的严格性、假设的现实性及实证结论的稳健性；摘要未说明参考策略如何选取、惩罚参数如何确定，也未给出具体数值结果。该文为arXiv预印本，未经同行评审验证。
原文摘要
The multiperiod mean-variance (MV) portfolio optimization serves as a vital expansion of Markowitz's static MV portfolio selection framework. Just like its static counterpart, the multiperiod MV portfolio remains susceptible to estimation errors. We propose a reference-regulated multiperiod mean-variance (RRMV) framework that penalizes deviations from a reference policy. Therefore, this new optimization successfully combines the advantages of dynamic strategies and reference portfolios. A key contribution of this paper is the characterization of the out-of-sample Sharpe ratio under high-dimensional asymptotics with estimation errors in both the mean vector and the covariance matrix. We show how the reference penalty and the investment horizon jointly affect the optimized portfolio performance, and how regularization operates differently from the single-period portfolio optimization. Extensive simulation and real data studies demonstrate that the proposed framework improves the stability and out-of-sample Sharpe ratios of multiperiod policies significantly.