Portfolio optimization based on stochastic dominance and empirical likelihood
基于随机占优与经验似然的投资组合优化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。
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：摘要主要讨论随机占优下的组合优化，共同因子仅用于矩条件，尚不足以明确归入所列资产定价、金融因子或尾部风险方向。
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…
基于随机占优与经验似然的投资组合优化
- 研究问题
- 研究如何在允许动态、非高斯多元收益分布的框架下，构造相对基准满足随机占优准则、同时优化给定目标的投资组合。
- 方法与思路
- 作者结合随机占优与经验似然，先用凸优化估计隐含概率，再用线性规划构造组合，并通过模拟和股票行业动量应用考察表现。
- 材料陈述的贡献
- 摘要称，对一类弱依赖过程，解依概率渐近实现基准占优与目标优化；模拟及应用显示估计精度和样本外表现有所改善。
- 阅读关注点
- 应核对随机占优的阶数、弱依赖条件、目标函数及共同因子矩条件，并检查两阶段误差处理和样本外比较的具体设计。
- 阅读边界
- 仅据所给出版社摘要，无法判断渐近结论的完整条件及表现改善的幅度；具体样本、交易成本处理和刊本变化均未说明。
原文摘要
This study develops a portfolio optimization method based on the Stochastic Dominance (SD) decision criterion and the Empirical Likelihood (EL) estimation method. SD and EL share a distribution-free assumption framework which allows for dynamic and non-Gaussian multivariate return distributions. The SD/EL method can be implemented using a two-stage procedure which first elicits the implied probabilities using Convex Optimization and subsequently constructs the optimal portfolio using Linear Programming. The solution asymptotically dominates the benchmark and optimizes the goal function in probability, for a class of weakly dependent processes. A Monte Carlo simulation experiment illustrates the improvement in estimation precision using a set of conservative moment conditions about common factors in small samples. In an application to equity industry momentum strategies, SD/EL yields important out-of-sample performance improvements relative to heuristic diversification, Mean–Variance optimization, and a simple ‘plug-in’ approach.