Investment Portfolio Optimization Based on Modern Portfolio Theory and Deep Learning Models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”文章概述
背景与动机
该研究探讨了在现代投资组合理论（MPT）中如何适当地估计方差-协方差矩阵这一重要问题。作者提出了一种基于深度学习模型的新框架来估计用于投资组合优化的方差-协方差矩阵。此框架旨在改进投资组合管理，并测试深度学习方法在金融时间序列预测中的优势。
方法论
作者使用长短期记忆网络（LSTM）、DeepVAR 和 GPVAR 这些先进的深度学习和概率深度学习模型来进行一天前的多变量预测。这些预测随后被用来优化股票和加密货币的投资组合。为了比较不同方法的表现，研究者分析了不同观察窗口长度和再平衡周期下的结果。此外，还对比了经典估计方法（如频次估计器、指数加权移动平均等）和深度学习模型的表现。
数据集
数据集包括了近四年内的高市值股票和加密货币。通过市场资本化筛选出每天排名前十的股票和加密货币作为样本进行优化。
核心发现
深度学习模型表现更优：总体而言，在信息比率和年化回报方面，LSTM-RNN 模型的表现最佳。特别是对于较长的观察窗口，深度学习模型能够更好地捕捉到方差-协方差矩阵结构中的长期依赖关系。
参数选择影响显著：策略的表现对观察窗口长度和再平衡频率非常敏感。通常来说，更多的历史观测数据以及较少频繁的再平衡可以带来更好的性能。
稳健性：基于概率深度学习模型（例如 GPVAR 或 DeepVAR）的方法在不同的参数设置下表现稳定，显示出较强的鲁棒性。
结论
研究表明，尽管不同策略的表现因参数组合而异，但总体上深度学习模型优于传统方法。这表明，随着更多历史数据的利用，深度学习技术可以在金融预测任务中提供更高的准确性。此外，研究还强调了较少频繁地调整投资组合的重要性，这对于长期投资策略尤其有利。
实践意义
这项工作不仅为学术界提供了新的研究方向，也为市场从业者提供了有价值的参考，特别是在构建和评估投资组合时如何结合最新的机器学习工具。代码已开源至GitHub，方便后续研究和应用。
