A Dynamic Multi-strategy using a Constrained Sparse Penalized Regression Analysis of Combinations of Notorious Portfolios with Reinforcement Learning 基于约束稀疏惩罚回归的动态多策略——带强化学习的臭名昭著投资组合分析

光华讲坛——社会名流与企业家论坛第6540期

主题：A Dynamic Multi-strategy using a Constrained Sparse Penalized Regression Analysis of Combinations of Notorious Portfolios with Reinforcement Learning 基于约束稀疏惩罚回归的动态多策略——带强化学习的臭名昭著投资组合分析

主讲人：威尼斯大学经济学院高级研究员、法国圣丹尼斯大学金融经济学终身教授 Bertrand Maillet（伯特兰德·马耶）教授

主持人： 国内合作与发展处副处长 张翔教授

时间：5月29日 15:00-16:30

举办地点：西南财经大学格致楼618A

主办单位： 金融学院 中国金融研究院 科研处

主讲人简介：

Bertrand Maillet（伯特兰德·马耶）教授，威尼斯大学（Università Ca' Foscari Venezia）经济学院高级研究员，法国圣丹尼斯大学（University of Saint Denis - La Réunion）金融经济学终身教授。Bertrand Maillet博士的研究领域包括金融经济学、计量经济学、风险管理、绩效评估、投资组合管理、系统风险、机器学习、ESG和绿色金融以及资产定价等。

近五年来，Maillet教授发表了若干论文，包括但不限于在《Journal of Banking & Finance》、《European Journal of Operational Research》、《Annals of Operations Research》、《Computational Economics》等知名期刊发表关于金融网络、资产定价、机器学习、系统性风险到投资者与投资特性相关的表现评价等多个金融经济学的关键议题。同时Maillet教授在资产配置和定价模型领域做出了卓越贡献，包括由John Wiley NYC出版社出版的《多时刻资产配置和定价模型》一书。

内容简介：

The Mean-Variance model is a widely used asset allocation model in finance, both in academia and industry. In this article, we provide another perspective. The key insight is to take advantage of previous research articles and related solutions, and to put them into the statistical framework of the original approach, complemented by ideas coming from the machine learning field. This insight allows us to significantly improve computational simplicity, computing efficiency, explanatory power and, finally, robustness of optimal portfolios of the Mean-Variance model. We thus propose an innovative approach to dynamic multi-strategy asset allocation, wherein we synergistically combine various influential “notorious portfolios” previously introduced in the financial literature. By harnessing a Reinforcement Learning technique and its adaptable intrinsic nature, our methodology aims to empower fund performance in the long-term, while accommodating diverse real market constraints. Through extensive empirical investigations encompassing a comprehensive gamut of numerous pivotal portfolios, we show the efficacy of our proposed method in diverse market conditions, thus surpassing existing benchmarks and strategies deemed state-of-the-art. Notably, our approach consistently delivers superior performance and lower risk, then outperforming competing methods across various market periods and stock markets when using big data.

均值-方差模型是金融学界和工业界广泛使用的资产配置模型。在本文中，我们提供了另一个视角。关键的见解是利用以前的研究文章和相关解决方案，并将其纳入原始方法的统计框架中，辅以来自机器学习领域的想法。这一见解使我们能够显著提高均值-方差模型的计算简单性、计算效率、解释能力，以及最优投资组合的稳健性。因此，我们提出了一种创新的动态多策略资产配置方法，其中我们协同结合了先前在金融文献中引入的各种有影响力的“臭名昭著的投资组合”。通过利用强化学习技术及其适应性的内在本质，我们的方法旨在增强基金的长期绩效，同时适应各种实际市场约束。通过广泛的实证调查，包括众多关键投资组合的全面范围，我们展示了我们提出的方法在不同市场条件下的有效性，从而超过了被认为是最先进的现有基准和战略。值得注意的是，我们的方法始终提供卓越的性能和更低的风险，然后在使用大数据时，在不同市场时期和股市中优于竞争方法。