Post-Screening Portfolio Selection
后筛选投资组合选择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：摘要讨论高维均值—方差投资组合选择与因子投资，直接对应资产定价与金融因子两个方向。
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
后筛选投资组合选择
- 研究问题
- 研究问题：在高维均值—方差投资中，如何先做资产筛选再估计组合权重，并在存在强因子时保持筛选的有效性。
- 方法与思路
- 方法思路：作者提出两步框架 PS²，先用无截距的 Lasso 型回归（以常数对超额收益回归）筛选资产，再在入选集合上用标准低维方法估计权重；并进一步提出 FPS²，先对收益去因子再筛选，最后一步允许因子投资。
- 材料陈述的贡献
- 摘要所述贡献：提出 PS² 与 FPS² 两套两步框架，建立理论保证，并通过模拟与一个实证应用展示其表现具有竞争力，尤其在稀疏筛选合适或强因子被显式处理时。
- 阅读关注点
- 阅读时应核对：筛选步骤的具体 Lasso 形式与调参方式、理论保证所依赖的假设与适用范围、去因子步骤如何实施、模拟设计与实证数据及基准比较是否支持摘要中的表述。
- 阅读边界
- 摘要信息的边界：仅凭摘要无法判断理论结果的条件、模拟与实证的具体设定和数值表现，也无法确认与既有方法的相对优劣；该文为 arXiv 预印本，未经同行评审验证。
原文摘要
We propose post-screening portfolio selection (PS$^2$), a two-step framework for high-dimensional mean--variance investing. First, assets are screened by Lasso-type regression of a constant on excess returns without an intercept. Second, portfolio weights are estimated on the selected set using standard low-dimensional methods. Because strong factors can destroy sparsity in real data, we further introduce PS$^2$ with factors (FPS$^2$), which defactors returns before screening and allows factor investing in the final step. We establish theoretical guarantees, and simulations and an empirical application show competitive performance, especially when sparse screening is appropriate or strong factors are explicitly accommodated.