Conformal Predictive Portfolio Selection
基于保形预测的投资组合选择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：摘要核心是投资组合收益预测及预测区间驱动的组合选择，直接对应收益预测；尾部风险仅作为背景方法出现。
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
基于保形预测的投资组合选择
- 研究问题
- 如何在预测投资组合未来收益时纳入预测不确定性，并利用预测区间进行组合选择，而不只依赖预测分布的点估计？
- 方法与思路
- 作者提出 CPPS 框架，先预测组合收益，再用保形预测构造区间并据此选择组合；框架可接入 AR、随机森林及神经网络。
- 材料陈述的贡献
- 摘要称框架可适配多类预测模型，并以 AR 模型和经验研究展示相较简单策略的收益表现；该比较属于作者报告的结果。
- 阅读关注点
- 应核对时间依赖下预测区间的覆盖条件、区间驱动的组合选择规则，以及样本外比较、交易成本和模型选择的处理。
- 阅读边界
- 这是 arXiv 预印本摘要，不能据此认定同行评审或期刊接收；摘要未说明覆盖保证、数据和收益幅度，不能据此判断未来表现。
原文摘要
This study examines portfolio selection using predictive models for portfolio returns. Portfolio selection is a fundamental task in finance, and a variety of methods have been developed to achieve this goal. For instance, the mean-variance approach constructs portfolios by balancing the trade-off between the mean and variance of asset returns, while the quantile-based approach optimizes portfolios by considering tail risk. These methods often depend on distributional information estimated from historical data using predictive models, each of which carries its own uncertainty. To address this, we propose a framework for predictive portfolio selection via conformal prediction , called \emph{Conformal Predictive Portfolio Selection} (CPPS). Our approach forecasts future portfolio returns, computes the corresponding prediction intervals, and selects the portfolio of interest based on these intervals. The framework is flexible and can accommodate a wide range of predictive models, including autoregressive (AR) models, random forests, and neural networks. We demonstrate the effectiveness of the CPPS framework by applying it to an AR model and validate its performance through empirical studies, showing that it delivers superior returns compared to simpler strategies.