“学海拾珠”系列之一百七十三：基于端到端神经网络的风险预算与组合优化

主要观点： 执业证书号：S0010520070001邮箱：yanjw@hazq.com 分析师：吴正宇执业证书号：S0010522090001邮箱：wuzy@hazq.com 回到国内市场，风险预算是资产配置领域中一类经典的模型，通过神经网络改进原有模型的不足，并实现端对端学习有助于提升组合表现。 ⚫端到端学习方法的创新应用本文通过端到端的学习方法来解决投资组合优化问题，将预测和优 化任务集成到一个全连接的神经网络中。这种方法避免了直接训练相关参数，而是用神经网络自主地确定用于估计的参数的最优值。通过与其他模型进行比较，这种集成方法提供了一种更有效的方式来处理和解决复杂的投资策略问题。 相关报告 1.《MemSum：基于多步情景马尔可夫决策过程的长文档摘要提取——“学海拾珠”系列之一百六十四》 ⚫引入随机门控机制 本文将资产选择特性引入风险分配投资组合，通过随机门控机制过滤掉不希望持有的资产。这种机制有助于提升投资组合的整体表现，并在实证中超越基准。这种策略的引入可能是对传统投资组合策略的重要改进，提供了一种在保持投资组合分散化的同时提高资产选择质量的方法。 2.《均衡配置宏观经济因子：分散效果如何？——“学海拾珠”系列之一百六十五》 3.《基金波动率来源与基金业绩——“学海拾珠”系列之一百六十六》 ⚫框架整合了预测与优化任务 4.《企业季度投资激增与股票横截面收益——“学海拾珠”系列之一百六十七》 本文通过集成预测和优化任务，在一个端到端的学习框架中提出了一种创新的投资组合优化方法。这种方法使用无模型和有模型网络在模型的解释性和复杂性之间提供不同的权衡。资产选择功能的引入进一步增强了基于风险分配的投资组合的整体表现，并降低了组合的风险。 5.《机器学习与基金特征如何选择正Alpha基金？——“学海拾珠”系列之一百六十八》 6.《资产增长率在资产定价中的作用——“学海拾珠”系列之一百六十九》 ⚫风险提示 7.《如 何 改 进 短 期 反 转 策 略 ？— —“学海拾珠”系列之一百七十》 文献结论基于历史数据与海外文献进行总结；不构成任何投资建议。 8.《如何衡量基金产品创新与差异化——“学海拾珠”系列之 一百七十一》 9.《低风险组合构建：基于下行风险的缩放策略——“学海拾珠”系列之一百七十二》 正文目录 1引言........................................................................................................................................................................................................42文献回顾................................................................................................................................................................................................53模型构建................................................................................................................................................................................................64模拟研究................................................................................................................................................................................................74.1预处理..................................................................................................................................................................................................................74.2结论......................................................................................................................................................................................................................75真实市场数据.......................................................................................................................................................................................96风险预算投资组合中的资产选择......................................................................................................................................................96.1在市场数据集上的表现..............................................................................................................................................................................116.2低波动性和低回报资产的表现................................................................................................................................................................127结论......................................................................................................................................................................................................13风险提示：.............................................................................................................................................................................................14 图表目录 图表1:文章框架..........................................................................................................................................................................................................4图表2:当调优目标选择为夏普比率时，模拟数据上的计算结果。........................................................................................................7图表3:当调优目标选择为累计回报时，模拟数据上的计算结果.............................................................................................................8图表4:2011-2021年期间ETF的表现统计数据...........................................................................................................................................9图表5:资产筛选的随机门控器...........................................................................................................................................................................10图表6:基于模型的带有资产过滤门控器方法的计算图.............................................................................................................................11图表7:2020年后端到端投资组合带随机门控器和名义基准的样本外绩效.....................................................................................12图表8:2017年至2021年6月样本外期间的年化绩效指标..................................................................................................................12图表9:端到端投资组合带有随机门控器和基准的样本外（2017年至2021年6月）绩效......................................................13图表10:2017年至2021年6月样本外期间的年化绩效指标................................................................................................................13 1引言 资料来源：华安证券研究所整理 机器学习和深度学习算法已经成为各个领域研究人员常见的方法论，这得益于大数据和计算工具的进步。同样，量化金融领域也利用这些方法为金融中的各种领域的问题带来了新的解决方法。预测建模任务是机器学习方法和深度学习广泛应用的主要领域之一。这些方法不仅有助于