Latent Variable Estimation in Bayesian Black-Litterman Models
贝叶斯 Black-Litterman 模型中的潜变量估计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：摘要明确将收益预测向量视为潜变量，并研究市场特征与收益的联系，用于组合优化。
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…
贝叶斯 Black-Litterman 模型中的潜变量估计
- 研究问题
- 能否将 Black-Litterman 模型依赖的主观收益预测及不确定性矩阵改为从市场数据学习的潜变量，并形成统一的组合优化框架？
- 方法与思路
- 作者在单一贝叶斯网络中学习预测向量及其不确定性，推导闭式后验，并通过共享潜变量和特征影响观点两种机制连接特征与收益。
- 材料陈述的贡献
- 摘要称框架包含经典 BL 和 Markowitz 特例；在道指与行业 ETF 数据上，相对所述基准夏普比率提高百分之五十、换手降低百分之五十五。
- 阅读关注点
- 应核对潜变量的先验与可识别性、闭式后验适用条件，以及实证中的样本外划分、组合约束、交易成本和基准比较口径。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。所述改善幅度仅为摘要报告，未说明完整回测设计，不能据此判断可重复性或普遍优势。
原文摘要
We revisit the Bayesian Black-Litterman (BL) portfolio model and remove its reliance on subjective investor views. Classical BL requires an investor "view": a forecast vector $q$ and its uncertainty matrix $Ω$ that describe how much a chosen portfolio should outperform the market. Our key idea is to treat $(q,Ω)$ as latent variables and learn them from market data within a single Bayesian network. Consequently, the resulting posterior estimation admits closed-form expression, enabling fast inference and stable portfolio weights. Building on these, we propose two mechanisms to capture how features interact with returns: shared-latent parametrization and feature-influenced views; both recover classical BL and Markowitz portfolios as special cases. Empirically, on 30-year Dow-Jones and 20-year sector-ETF data, we improve Sharpe ratios by 50% and cut turnover by 55% relative to Markowitz and the index baselines. This work turns BL into a fully data-driven, view-free, and coherent Bayesian framework for portfolio optimization.