Predicting the Global Minimum Variance Portfolio
全球最小方差组合权重的预测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：摘要直接围绕收益条件协方差及最小方差组合展开，最相关的是波动率与协方差建模。
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…
全球最小方差组合权重的预测
- 研究问题
- 如何直接预测由资产收益条件协方差决定的全球最小方差组合权重，并在资产数量增加时保持模型可扩展性和动态适应能力？
- 方法与思路
- 作者利用组合权重与回归系数的关系构造一致损失函数，以递归最小二乘和广义自回归得分动态建模，并采用稀疏参数化及等权目标。
- 材料陈述的贡献
- 摘要称，该表示允许不指定收益分布来推断组合权重；日度股票应用中，方法在期望损失和无条件组合方差上相对基准表现良好。
- 阅读关注点
- 应核对回归表示与损失函数的适用条件、动态更新和稀疏设定，以及比较中的估计窗口、交易成本与组合约束如何处理。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要；不设定收益分布不代表无需其他条件，具体风险改善和交易成本未说明，也不推断刊本变化。
原文摘要
We propose a novel dynamic approach to forecast the weights of the global minimum variance portfolio (GMVP) for the conditional covariance matrix of asset returns. The GMVP weights are the population coefficients of a linear regression of a benchmark return on a vector of return differences. This representation enables us to derive a consistent loss function from which we can infer the GMVP weights without imposing any distributional assumptions on the returns. In order to capture time variation in the returns’ conditional covariance structure, we model the portfolio weights through a recursive least squares (RLS) scheme as well as by generalized autoregressive score (GAS) type dynamics. Sparse parameterizations and targeting toward the weights of the equally weighted portfolio ensure scalability with respect to the number of assets. We apply these models to daily stock returns, and find that they perform well compared to existing static and dynamic approaches in terms of both the expected loss and unconditional portfolio variance.