Bayesian Portfolio Optimization by Predictive Synthesis
基于预测综合的贝叶斯投资组合优化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：摘要核心是综合多个资产收益预测模型并将预测分布用于组合构造。
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…
基于预测综合的贝叶斯投资组合优化
- 研究问题
- 资产收益预测模型的表现随市场不确定性变化时，如何综合多个模型的预测分布，为投资组合构造提供依据？
- 方法与思路
- 作者以贝叶斯预测综合结合动态线性模型，整合多个资产收益预测，并研究利用所得分布构造均值—方差和分位数型组合。
- 材料陈述的贡献
- 摘要提出将贝叶斯预测综合用于组合优化，使资产平均收益的预测后验能够反映市场不确定性，并讨论两类组合构造。
- 阅读关注点
- 应核对预测综合模型的动态设定、分布与协方差信息的来源，以及组合目标、模型比较和样本外评估如何实施。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未提供实证收益、风险指标或比较结果，不能判断策略实际表现。
原文摘要
Portfolio optimization is a critical task in investment. Most existing portfolio optimization methods require information on the distribution of returns of the assets that make up the portfolio. However, such distribution information is usually unknown to investors. Various methods have been proposed to estimate distribution information, but their accuracy greatly depends on the uncertainty of the financial markets. Due to this uncertainty, a model that could well predict the distribution information at one point in time may perform less accurately compared to another model at a different time. To solve this problem, we investigate a method for portfolio optimization based on Bayesian predictive synthesis (BPS), one of the Bayesian ensemble methods for meta-learning. We assume that investors have access to multiple asset return prediction models. By using BPS with dynamic linear models to combine these predictions, we can obtain a Bayesian predictive posterior about the mean rewards of assets that accommodate the uncertainty of the financial markets. In this study, we examine how to construct mean-variance portfolios and quantile-based portfolios based on the predicted distribution information.