Portfolio Optimization with Robust Covariance and Conditional Value-at-Risk Constraints
结合稳健协方差与条件风险价值约束的投资组合优化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：摘要直接研究投资组合尾部风险、CVaR 约束及极端市场中的风险控制。
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
结合稳健协方差与条件风险价值约束的投资组合优化
- 研究问题
- 投资组合优化如何降低协方差估计对数据噪声的敏感性，并在极端市场中进一步控制尾部风险及优化过程的数值不稳定？
- 方法与思路
- 作者比较收缩协方差和稳健 Gerber 协方差，考察加入 CVaR 约束及基于 K-means 的嵌套聚类优化，并评估样本外组合表现。
- 材料陈述的贡献
- 摘要称，部分稳健估计在牛市优于市值加权基准，但极端行情下尾部风险控制不足；加入风险约束与聚类可改善风险管理。
- 阅读关注点
- 应核对样本外窗口、再平衡规则、交易成本和比较基准，以及 CVaR 约束与聚类对收益、尾部风险及回撤分别产生什么影响。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收。结论来自二〇一二至二〇二二年特定组合，摘要未报告完整指标及成本处理。
原文摘要
The measure of portfolio risk is an important input of the Markowitz framework. In this study, we explored various methods to obtain a robust covariance estimators that are less susceptible to financial data noise. We evaluated the performance of large-cap portfolio using various forms of Ledoit Shrinkage Covariance and Robust Gerber Covariance matrix during the period of 2012 to 2022. Out-of-sample performance indicates that robust covariance estimators can outperform the market capitalization-weighted benchmark portfolio, particularly during bull markets. The Gerber covariance with Mean-Absolute-Deviation (MAD) emerged as the top performer. However, robust estimators do not manage tail risk well under extreme market conditions, for example, Covid-19 period. When we aim to control for tail risk, we should add constraint on Conditional Value-at-Risk (CVaR) to make more conservative decision on risk exposure. Additionally, we incorporated unsupervised clustering algorithm K-means to the optimization algorithm (i.e. Nested Clustering Optimization, NCO). It not only helps mitigate numerical instability of the optimization algorithm, but also contributes to lower drawdown as well.