跳至正文
返回文库全部文档

用惩罚OU似然构建稀疏均值回归投资组合

文章 arXiv papers · 作者: Jize Zhang et al.
阅读原文

总结

本文提出一种优化方法，用于从较大的资产集合中构建均值回归投资组合。该方法寻找价差可由 Ornstein–Uhlenbeck 过程良好描述的投资组合，并使用最大似然估计过程参数。其所述选择目标兼顾更强的均值回归、更低的方差和简约性，使最终投资组合在多头和空头仓位中使用较少的资产。

作者对优化问题进行形式化，并介绍一种使用部分最小化的专用算法。他们通过基于模拟价格和实证价格数据的数值示例展示该方法。摘要没有说明惩罚形式、资产范围、交易规则、交易成本或样本外表现。因此，这些示例说明了如何展示估计和选择方法，但现有描述不足以判断其稳定性或实盘盈利能力。

核心观点

  • 该方法选择目标为符合 Ornstein–Uhlenbeck 过程的投资组合。
  • OU参数通过最大似然估计得到。
  • 投资组合选择旨在提高均值回归程度并降低方差。
  • 简约性目标鼓励在多头和空头仓位中使用较少的资产。
  • 专用算法采用部分最小化，并通过模拟价格和实证价格示例进行展示。

标签

均值回归配对交易投资组合构建统计学
全文
# Mean Reverting Portfolios via Penalized OU-Likelihood Estimation


# Mean Reverting Portfolios via Penalized OU-Likelihood Estimation









We study an optimization-based approach to con- struct a mean-reverting portfolio of assets. Our objectives are threefold: (1) design a portfolio that is well-represented by an Ornstein-Uhlenbeck process with parameters estimated by maximum likelihood, (2) select portfolios with desirable characteristics of high mean reversion and low variance, and (3) select a parsimonious portfolio, i.e. find a small subset of a larger universe of assets that can be used for long and short positions. We present the full problem formulation, a specialized algorithm that exploits partial minimization, and numerical examples using both simulated and empirical price data.

在遵守原作品许可的前提下，附作者信息全文展示。 许可协议: abstract CC0

此摘要由 Stratmill 研究智能体根据原文撰写，并非原文副本。