An adaptive robust portfolio optimization model with loss constraints based on data-driven polyhedral uncertainty sets

مدلهای بهینه سازی نمونه کارها که به طور گسترده در ادبیات مالی ارائه شده است معمولا فرض می کنند که بازده دارایی در یک عدم قطعیت پارامتری با یک سطح کنترل محافظه کاری مطرح می شود که بیانگر تغییرات پارامترهای نامشخص است. با این وجود، در عمل، مشخص نیست که سرمایه گذاران باید پارامتر محافظه کاری را انتخاب کنند تا منافع خود را منعکس کنند، در حالی که با توجه به پویایی قیمت ها. در این مقاله، ما یک چشم انداز جدید در مورد بهینه سازی نمونه کارها را ارائه می دهیم که در آن ما یک محدودیت از دست دادن بصری برای نمونه کار بهینه را با توجه به بازده دارایی ها در مجموعه ای از عدم اطمینان چندمرحله ای مبتنی بر داده تحمیل می کنیم. مدل پیشنهادی به صورت آکادمیک در یک طرح افق نورد به روز شده است، مدل پیشنهادی با استفاده از یک محدودیت از دست رفته بر اساس داده ها و ترکیبی مطلوب از سیگنال های قیمت دارایی، پویایی قیمت را جذب کرده و الگوهای جدید و فراموش کردن آن ها را از بین می برد. ما یک مطالعه موردی را انجام میدهیم تا نشان دهد که ممکن است نمونه کارهای کنترل شده از دست رفته را با بازده مورد انتظار بیشتر از راهبردهای ارزیابی انتخاب شده بدست آوریم. با توجه به هزینه های واقعی معامله، نتایج غیر نمونه ای که با استفاده از مدل ما برای هر روز از داده های تاریخی (2000 تا 2015) و به روز رسانی با بازده متوجه می شوند، نشان می دهد که نمونه های قوی ما عملکرد پیشرفته ای را نشان می دهند،