Portfolio Optimization Using a Consistent Vector-Based MSE Estimation Approach
利用一致的向量均方误差估计优化投资组合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：摘要核心是高维协方差正则化及最小方差组合优化，未直接研究给定分类中的定价、波动动态或尾部与系统性风险。
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…
利用一致的向量均方误差估计优化投资组合
- 研究问题
- 当资产维度与样本量同阶增长，样本协方差不可逆或病态时，如何为全球最小方差组合选择协方差正则化强度？
- 方法与思路
- 作者按包含均值估计不确定性的噪声向量均方误差选择正则化参数，并用随机矩阵理论构造一致估计量及线搜索程序。
- 材料陈述的贡献
- 摘要称，该均方误差估计支持正则化参数的选择，模拟展示了资产维度超过样本量或与之同阶时所提方法的有效性。
- 阅读关注点
- 应核对噪声向量目标与组合权重误差的关系、维度比例及随机矩阵条件、正则化形式，以及模拟比较的评价指标。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未给出收益分布条件、误差数值或样本外组合表现，不能判断普遍优势。
原文摘要
This paper is concerned with optimizing the global minimum-variance portfolio's (GMVP) weights in high-dimensional settings where both observation and population dimensions grow at a bounded ratio. Optimizing the GMVP weights is highly influenced by the data covariance matrix estimation. In a high-dimensional setting, it is well known that the sample covariance matrix is not a proper estimator of the true covariance matrix since it is not invertible when we have fewer observations than the data dimension. Even with more observations, the sample covariance matrix may not be well-conditioned. This paper determines the GMVP weights based on a regularized covariance matrix estimator to overcome the aforementioned difficulties. Unlike other methods, the proper selection of the regularization parameter is achieved by minimizing the mean-squared error of an estimate of the noise vector that accounts for the uncertainty in the data mean estimation. Using random-matrix-theory tools, we derive a consistent estimator of the achievable mean-squared error that allows us to find the optimal regularization parameter using a simple line search. Simulation results demonstrate the effectiveness of the proposed method when the data dimension is larger than the number of data samples or of the same order.