Statistical Learning for Individualized Asset Allocation
个体化资产配置的统计学习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：摘要明确研究资产配置决策，但未涉及资产定价、金融因子、波动率、尾部风险或收益预测的具体问题。
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
个体化资产配置的统计学习
- 研究问题
- 在个体特征数量很大且资产配置行动连续时，如何学习个体化最优配置规则，并对最优决策对应的价值进行统计推断？
- 方法与思路
- 作者用可随样本量增长的离散化处理连续行动，再以施加于系数线性变换的广义折叠凹惩罚回归估计行动价值函数。
- 材料陈述的贡献
- 摘要称，DROVE 方法具有理论性质并支持最优价值推断；健康与退休研究数据应用报告个体化配置策略改善财务福祉。
- 阅读关注点
- 应核对行动离散化误差、惩罚项如何表达效应不连续，以及价值函数的识别、最优价值推断和实证评价方式。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；摘要未给出财务福祉指标、改善幅度或识别条件，不能视为已验证的配置建议。
原文摘要
We establish a high-dimensional statistical learning framework for individualized asset allocation. Our proposed methodology addresses continuous-action decision-making with a large number of characteristics. We develop a discretization approach to model the effect of continuous actions and allow the discretization frequency to be large and diverge with the number of observations. We estimate the value function of continuous-action using penalized regression with our proposed generalized penalties that are imposed on linear transformations of the model coefficients. We show that our proposed Discretization and Regression with generalized fOlded concaVe penalty on Effect discontinuity (DROVE) approach enjoys desirable theoretical properties and allows for statistical inference of the optimal value associated with optimal decision-making. Empirically, the proposed framework is exercised with the Health and Retirement Study data in finding individualized optimal asset allocation. The results show that our individualized optimal strategy improves the financial well-being of the population. Supplementary materials for this article are available online.