Bayesian Distributionally Robust Merton Problem with Nonlinear Wasserstein Projections
基于非线性 Wasserstein 投影的贝叶斯分布稳健 Merton 问题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：摘要重点是投资组合控制与漂移先验稳健优化，未直接研究资产定价、收益预测或尾部风险，现有细分不足以准确归类。
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…
基于非线性 Wasserstein 投影的贝叶斯分布稳健 Merton 问题
- 研究问题
- 在收益漂移难以准确估计、投资者持续学习的连续时间投资组合问题中，如何表达分布不确定性并限制过度悲观？
- 方法与思路
- 作者在漂移先验上设置单一歧义集，借助极小极大交换优化先验泛函，并以非线性 Wasserstein 投影校准半径。
- 材料陈述的贡献
- 摘要称给出小半径下渐近最优的最坏先验推送映射，并在合成与真实数据研究中报告相对两类基准的表现改善。
- 阅读关注点
- 应核对极小极大交换条件、波动率处理与学习机制、半径校准目标，以及小半径近似和频繁调仓比较的适用范围。
- 阅读边界
- 来源为 arXiv 预印本，同行评审与期刊接收未核实；摘要未说明收益评价口径、交易成本及改善成立的完整条件。
原文摘要
We revisit Merton's continuous-time portfolio selection through a data-driven, distributionally robust lens. Our aim is to tap the benefits of frequent trading over short horizons while acknowledging that drift is hard to pin down, whereas volatility can be screened using realized or implied measures for appropriately selected assets. Rather than time-rectangular distributional robust control -- which replenishes adversarial power at every instant and induces over-pessimism -- we place a single ambiguity set on the drift prior within a Bayesian Merton model. This prior-level ambiguity preserves learning and tractability: a minimax swap reduces the robust control to optimizing a nonlinear functional of the prior, enabling Karatzas and Zhao \cite{KZ98}-type's closed-form evaluation for each candidate prior. We then characterize small-radius worst-case priors under Wasserstein uncertainty via an explicit asymptotically optimal pushforward of the nominal prior, and we calibrate the ambiguity radius through a nonlinear Wasserstein projection tailored to the Merton functional. Synthetic and real-data studies demonstrate reduced pessimism relative to DRC and improved performance over myopic DRO-Markowitz under frequent rebalancing.