基于集成学习的加权投资组合优化

文章将机器学习中的分歧分解框架引入投资组合优化问题中,利用将多个子策略权重进行组合的思想,在全局最小方差(GMV)策略的基础上提出了全局最小方差集成(EGMV)策略.具体地,文章利用机器学习领域中对二次损失函数所进行的常见分解方式-分歧分解,对GMV策略的优化问题进行了修改,在其基础上引入了两个额外的参数,即子策略个数和多样化系数,从而构成了新的EGMV投资组合策略.当多样化系数大于1时,EGMV策略能够输出具有多样化权重的多个子策略,从而对冲各资产权重的估计误差,提高加权策略的样本外绩效表现.为了验证EGMV策略的有效性,文章在A股和美股市场上对EGMV策略,GMV策略和其他多个常见策略进行了实证比较.结果显示,在A股市场中,EGMV策略能够在夏普率和换手率上取得平均意义上优于GMV策略的绩效表现,且这一结论在160个不同参数组合下同样成立,这表明EGMV策略具有较好的稳健性.