Portfolio Analysis in High Dimensions with Tracking Error and Weight Constraints
带跟踪误差与权重约束的高维投资组合分析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：摘要明确将因子模型用于高维资产组合估计，直接对应金融因子；所述一般组合风险不足以支持尾部或系统性风险分类。
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
带跟踪误差与权重约束的高维投资组合分析
- 研究问题
- 资产数量可能超过观测期数时，如何估计受跟踪误差、配置权重或两者共同约束的最优投资组合及其统计性质？
- 方法与思路
- 作者提出 CROWN 方法，把因子模型与逐节点回归结合，用于高维约束组合估计，并分析权重、风险和夏普比率。
- 材料陈述的贡献
- 摘要称方法在高维情形下具有估计一致性，给出组合权重、风险和夏普比率的收敛率，并提供模拟与实证比较。
- 阅读关注点
- 应核对因子与残差结构假设、约束的可行性、优化目标及正则化方式，以及各项收敛率与实证比较的评估设计。
- 阅读边界
- 仅据稿件版本未注明的 OpenAlex 索引摘要；优势的比较细节和具体条件未说明，不能据此判断实际投资收益或尾部风险。
原文摘要
This paper explores the statistical properties of forming constrained optimal portfolios within a high-dimensional set of assets. We examine portfolios with tracking error constraints, those with simultaneous tracking error and weight restrictions, and portfolios constrained solely by weight. Tracking error measures portfolio performance against a benchmark (typically an index), while weight constraints determine asset allocation based on regulatory requirements or fund prospectuses. Our approach employs a novel statistical learning technique that integrates factor models with nodewise regression, named the C onstrained R esidual Nodewise O ptimal W eight Regression (CROWN) method. We demonstrate its estimation consistency in large dimensions, even when assets outnumber the portfolio’s time span. Convergence rate results for constrained portfolio weights, risk, and Sharpe Ratio are provided, and simulation and empirical evidence highlight the method’s outstanding performance.