以序列蒙地卡羅提升高維計量模型結構式更新/學習效能的新方法及在財務與經濟的應用(2/2)

專案詳細資料

Description

計畫中嘗試以列蒙地卡羅抽樣法作為基礎,推出一套廣泛能適用於適應性監測投資組合管理,同時能夠從海量數據中歸納資訊並在可掌控、容易更新、管理的資產配置中維持良好的績效。在計畫中我們一反過去投資組合建構先估計再最適化的作為,反向思考地先從大量可得的資產中以符合虛無範數條件下的迴歸變數選擇問題為憑藉,優化找出一組相對為數較小的資產個數開展我們的投資組合;再接續為這些為度較低的資產報酬建構較一般性、容許較多建模彈性地的狀態空間動態模型供後續監控、調整。計畫中我們嘗試納入新的基因演算法提升求解的效率並與序列蒙地卡羅法,以及其他相關做法進行比較。我們也將相關的方法應用到指數型基金的績效追蹤、以及時間序列中結構改變點的認定等問題中,並進行相關的比較。最末,我們回到利用所選的資產組合標的配適一般化動態系統的估計、推論、學習與比較,以便日後資訊的更新與調整。我們相信這樣的分析方法工具與架構將有助於許多經濟與財金領域相關模型的估計。
狀態進行中
有效的開始/結束日期1/08/2131/07/22

聯合國永續發展目標

聯合國會員國於 2015 年同意 17 項全球永續發展目標 (SDG),以終結貧困、保護地球並確保全體的興盛繁榮。此專案有助於以下永續發展目標:

  • SDG 8 - 體面的工作和經濟增長
  • SDG 15 - 陸上生命
  • SDG 17 - 為永續目標構建夥伴關係

Keywords

  • 序列蒙地卡羅
  • 可預測性
  • 學習
  • 變數選擇
  • 投資組合配置
  • 狀態空間模型
  • 虛無範數
  • 結構改變
  • LASSO

指紋

探索此專案觸及的研究主題。這些標籤是根據基礎獎勵/補助款而產生。共同形成了獨特的指紋。