在线投资组合选择的半指数梯度策略及实证分析

摘要

针对传统投资组合策略的高频资产配置调整产生高额交易成本从而导致最终收益不佳这一问题,提出基于机器学习与在线学习理论的半指数梯度投资组合(SEG)策略.该策略对投资期进行划分,通过控制投资期内的交易量来降低交易成本.首先,基于仅在每段分割的初始期调整投资组合而其余时间不进行交易这一投资方式来建立SEG策略模型,并结合收益损失构造目标函数;其次,利用因子图算法求解投资组合迭代更新的闭式解,并证明该策略累积资产收益的损失上界,从理论上保证算法的收益性能.在纽约交易所等多个数据集上进行的仿真实验表明,该策略在交易成本存在时仍然能够保持较高的收益,证实了该策略对于交易成本的不敏感性.