Bayesian Portfolio Selection: An Empirical Analysis of the S&P 500 Index 1970–1996
贝叶斯投资组合选择：标普500指数1970—1996年的实证分析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：摘要明确将预期收益的预测分布作为组合优化输入，直接涉及收益预测；每日数据不足以据此归为高频计量。
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
贝叶斯投资组合选择：标普500指数1970—1996年的实证分析
- 研究问题
- 当候选股票数量相对历史估计窗口较大时，如何利用每日收益信息构建投资组合，并与标普指数比较表现？
- 方法与思路
- 作者对预期收益和协方差矩阵设置信息先验，利用预测分布优化权重，并施加持仓上下限、定期重新估计和调仓。
- 材料陈述的贡献
- 摘要提出适用于大规模组合选择的贝叶斯实施方法，并称其样本应用中的最优组合表现超过对应基准指数。
- 阅读关注点
- 应核对先验设定、预测协方差的估计方法、调仓窗口与持仓约束，以及交易成本、样本外评价和基准比较方式。
- 阅读边界
- 仅据所给OpenAlex摘要；摘要未说明超额表现的具体指标、显著性及交易成本处理，不能据此推断未来表现或后续版本变化。
原文摘要
In this article we present a technique for implementing large-scale optimal portfolio selection. We use high-frequency daily data to capture valuable statistical information in asset returns. We describe several statistical issues involved in quantitative approaches to portfolio selection. Our methodology applies to large-scale portfolio-selection problems in which the number of possible holdings is large relative to the estimation period provided by historical data. We illustrate our approach on an equity database that consists of stocks from the Standard and Poor's index, and we compare our portfolios to this benchmark index. Our methodology differs from the usual quadratic programming approach to portfolio selection in three ways: (1) We employ informative priors on the expected returns and variance-covariance matrices, (2) we use daily data for estimation purposes, with upper and lower holding limits for individual securities, and (3) we use a dynamic asset-allocation approach that is based on reestimating and then rebalancing the portfolio weights on a prespecified time window. The key inputs to the optimization process are the predictive distributions of expected returns and the predictive variance-covariance matrix. We describe the statistical issues involved in modeling these inputs for high-dimensional portfolio problems in which our data frequency is daily. In our application, we find that our optimal portfolio outperforms the underlying benchmark.