“优化S&P500和国库券投资组合，利用LSTM神经网络对金融预测因子进行分析，以六个月持有期和三个月再平衡期最大化效用，并考虑风险规避。”
资产类别: 债券、ETF、期货 | 地区: 美国 | 周期: 每季度 | 市场: 债券、股票 | 关键词: 股票指数、神经网络
I. 策略概要
该策略投资于标普500指数和一期国库券，目标是在六个月持有期内最大化预期效用，并每三个月进行一次再平衡。投资组合权重限制在-1到2之间，其中股票（风险资产）的权重为 ww，国库券（无风险资产）的权重为 1−w1 – w。预期效用采用风险厌恶系数为4的幂效用函数计算。
预测收益由一个具有3个循环层（32-16-8个神经元）且最后一层为LSTM单元的LSTM神经网络生成，网络在10年滚动窗口上训练。预测变量包括股息收益率、市盈率和通胀增长等金融变量（参考Goyal和Welch，2008）。该策略对超参数高度敏感，具体实现细节详见论文。此方法结合了机器学习与金融建模，用于投资组合优化。
II. 策略合理性
批评者常将神经网络贴上黑盒模型的标签，与透明的树形模型不同。然而，这种批评不应阻碍它们的使用。神经网络擅长学习非线性和复杂关系，直接提高统计准确性，优于线性模型。研究表明，神经网络在均方预测误差、样本外R^2和整体性能方面显著优于其他模型。重要的是，它们将这种准确性转化为卓越的投资组合性能。作者强调，即使考虑交易成本、借贷和卖空限制等因素，结果在不同的投资组合性能衡量标准下仍然稳健，这使得神经网络尽管缺乏透明度，但仍是一个有价值的工具。它们处理复杂性的能力证明了其应用是合理的。
III. 来源论文
Deep Learning, Predictability, and Optimal Portfolio Returns [点击查看论文]
- Mykola Babiak 和 Jozef Baruník。兰卡斯特大学管理学院。布拉格查理大学经济系；布拉格信息理论与自动化研究所
<摘要>
我们研究了长期投资者在构建最优投资组合时，利用深度学习方法预测股票回报的动态投资组合选择。我们的结果显示，通过确定性等价收益和夏普比率，使用深度学习构建最优投资组合具有统计学和经济学上显著的益处。通过深度学习进行的回报可预测性还在不同子样本中，特别是在经济衰退期间，产生了显著改善的投资组合表现。这些收益在考虑交易成本、卖空和借贷限制的情况下仍然稳健。
IV. 回测表现
| 年化回报 | 11.71% |
| 波动率 | 19.34% |
| β值 | N/A |
| 夏普比率 | 0.61 |
| 索提诺比率 | N/A |
| 最大回撤 | -45.99% |
| 胜率 | N/A |
