Markowitz-Informed Neural Networks (MINNs): An Interpretable Deep Learning Approach to Portfolio Optimization机器翻译，仅供参考！可使用微信自带翻译功能自行翻译获取文献链接/翻译/pdf/文章解析请加入知识星球“量化前沿速递”摘要
本文介绍了Markowitz-Informed Neural Networks (MINNs)，一种将均值-方差优化 (MVO) 原理与现代神经网络的适应性和强大功能相结合的新框架。通过同时学习投资组合权重和可解释的协方差结构，无需矩阵求逆，MINNs提供了一种透明且更稳定的选择，支持跨问题规模的实际、稳健和符合监管要求的投资组合管理。
主要内容
引言
Harry Markowitz在1950年代引入的均值-方差优化 (MVO) 革新了投资组合理论，通过正式化风险和回报之间的权衡。然而，MVO在高维资产空间中面临计算负担和数值不稳定的挑战。尽管提出了多种改进方法，如正则化技术和替代风险度量，但这些问题仍然限制了学术研究和实际应用。本文介绍的MINNs通过将MVO原则嵌入神经网络架构，解决了这些问题。
基础和研究背景
MVO在高维设置中表现出局限性，特别是依赖于协方差矩阵求逆，这在实践中往往是病态且不稳定的。为了解决这些问题，研究集中在改进协方差矩阵估计上，如随机矩阵理论 (RMT) 和正则化技术。然而，这些方法并未克服由矩阵求逆引入的结构性脆弱性。神经网络 (NNs) 在量化金融中用于建模非线性和复杂关系，但在投资组合优化中通常仅用于外围任务，未解决协方差矩阵求逆的关键问题。
MINNs框架
MINNs是一种用于投资组合优化的可解释深度学习框架，将MVO原则直接集成到神经网络架构中，同时学习投资组合权重和协方差矩阵。关键在于学习的协方差矩阵保证始终为半正定 (PSD)，无需直接或间接的矩阵求逆。这种设计提供了透明的白盒解决方案，确保所有学习参数都是透明和可解释的。
实证研究
我们评估了DeepMVO（MINNs的具体实现）在处理噪声金融数据方面的性能，与经典方法如历史协方差、收缩估计器和随机矩阵理论进行了对比。结果显示，DeepMVO在最小方差组合 (MinVar) 和最大夏普比率组合 (MaxSR) 中表现优于其他方法，实现了更高的累计回报和夏普比率，同时保持自然较低的换手率。
主要创新
1.可解释的协方差估计与投资组合权重集成：MINNs通过将协方差矩阵估计直接嵌入神经网络结构，提供透明且可解释的统计和经济术语，使从业者能够追踪整个投资组合构建过程。
2. 避免矩阵求逆：MINNs通过损失函数联合学习协方差矩阵和投资组合权重，完全避开了矩阵求逆。
3. 基于经验的动态模型适应：通过并行模型和无监督聚类，动态选择最相关的投资组合，反映当前市场条件。
4. 损失函数灵活性和自发正则化：损失函数可以编码多个MVO对齐的目标，即使使用简单的单目标损失函数，也表现出低换手率等自发属性。
5. 实证表现优异：DeepMVO在多个金融指标上始终优于领先替代方案，包括历史协方差、收缩方法和随机矩阵理论。
结论
MINNs提供了一个可扩展、可解释且动态响应的投资组合优化框架，将经典理论与深度学习结合，既具有理论基础又具备实际应用价值。MINNs不仅是一个理论构想，还展示了在现实投资组合设置中实现优越、风险调整后的性能潜力。
