Dynamic Portfolio Allocation in High Dimensions using Sparse Risk Factors
利用稀疏风险因子进行高维动态投资组合配置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：摘要以动态风险因子和时变因子载荷预测多资产收益波动，直接对应金融因子与波动率两个细分方向。
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
利用稀疏风险因子进行高维动态投资组合配置
- 研究问题
- 如何在大量资产上进行多变量收益波动预测，并通过动态稀疏结构控制参数规模，使预测可用于动态组合配置？
- 方法与思路
- 作者提出动态风险因子模型，在因子载荷上引入时变稀疏性，并序贯学习参数及波动率应采用常数还是时变形式。
- 材料陈述的贡献
- 摘要称，在标普指数股票应用中，模型产生更稳定、稀疏的预测，并相对所列基准改善组合表现和均值方差效用。
- 阅读关注点
- 应核对稀疏性与动态参数的学习机制、预测样本划分，以及组合约束、交易成本和基准设定对比较结果的影响。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核实；摘要未说明收益与效用增益数值、交易成本或样本外检验细节。
原文摘要
We propose a fast and flexible method to scale multivariate return volatility predictions up to high-dimensions using a dynamic risk factor model. Our approach increases parsimony via time-varying sparsity on factor loadings and is able to sequentially learn the use of constant or time-varying parameters and volatilities. We show in a dynamic portfolio allocation problem with 452 stocks from the S&P 500 index that our dynamic risk factor model is able to produce more stable and sparse predictions, achieving not just considerable portfolio performance improvements but also higher utility gains for the mean-variance investor compared to the traditional Wishart benchmark and the passive investment on the market index.