光華講壇——社會名流與企業家論壇第6540期

主題：A Dynamic Multi-strategy using a Constrained Sparse Penalized Regression Analysis of Combinations of Notorious Portfolios with Reinforcement Learning 基于約束稀疏懲罰回歸的動態多策略——帶強化學習的臭名昭著投資組合分析

主講人：威尼斯大學經濟學院高級研究員、法國圣丹尼斯大學金融經濟學終身教授 Bertrand Maillet（伯特蘭德·馬耶）教授

主持人： 國內合作與發展處副處長 張翔教授

時間：5月29日 15:00-16:30

舉辦地點：西南財經大學格致樓618A

主辦單位： 金融學院 中國金融研究院 科研處

主講人簡介：

Bertrand Maillet（伯特蘭德·馬耶）教授，威尼斯大學（Università Ca' Foscari Venezia）經濟學院高級研究員，法國圣丹尼斯大學（University of Saint Denis - La Réunion）金融經濟學終身教授。Bertrand Maillet博士的研究領域包括金融經濟學、計量經濟學、風險管理、績效評估、投資組合管理、系統風險、機器學習、ESG和綠色金融以及資產定價等。

近五年來，Maillet教授發表了若干論文，包括但不限于在《Journal of Banking & Finance》、《European Journal of Operational Research》、《Annals of Operations Research》、《Computational Economics》等知名期刊發表關于金融網絡、資產定價、機器學習、系統性風險到投資者與投資特性相關的表現評價等多個金融經濟學的關鍵議題。同時Maillet教授在資產配置和定價模型領域做出了卓越貢獻，包括由John Wiley NYC出版社出版的《多時刻資產配置和定價模型》一書。

內容簡介：

The Mean-Variance model is a widely used asset allocation model in finance, both in academia and industry. In this article, we provide another perspective. The key insight is to take advantage of previous research articles and related solutions, and to put them into the statistical framework of the original approach, complemented by ideas coming from the machine learning field. This insight allows us to significantly improve computational simplicity, computing efficiency, explanatory power and, finally, robustness of optimal portfolios of the Mean-Variance model. We thus propose an innovative approach to dynamic multi-strategy asset allocation, wherein we synergistically combine various influential “notorious portfolios” previously introduced in the financial literature. By harnessing a Reinforcement Learning technique and its adaptable intrinsic nature, our methodology aims to empower fund performance in the long-term, while accommodating diverse real market constraints. Through extensive empirical investigations encompassing a comprehensive gamut of numerous pivotal portfolios, we show the efficacy of our proposed method in diverse market conditions, thus surpassing existing benchmarks and strategies deemed state-of-the-art. Notably, our approach consistently delivers superior performance and lower risk, then outperforming competing methods across various market periods and stock markets when using big data.

均值-方差模型是金融學界和工業界廣泛使用的資產配置模型。在本文中，我們提供了另一個視角。關鍵的見解是利用以前的研究文章和相關解決方案，并將其納入原始方法的統計框架中，輔以來自機器學習領域的想法。這一見解使我們能夠顯著提高均值-方差模型的計算簡單性、計算效率、解釋能力，以及最優投資組合的穩健性。因此，我們提出了一種創新的動態多策略資產配置方法，其中我們協同結合了先前在金融文獻中引入的各種有影響力的“臭名昭著的投資組合”。通過利用強化學習技術及其適應性的內在本質，我們的方法旨在增強基金的長期績效，同時適應各種實際市場約束。通過廣泛的實證調查，包括眾多關鍵投資組合的全面范圍，我們展示了我們提出的方法在不同市場條件下的有效性，從而超過了被認為是最先進的現有基準和戰略。值得注意的是，我們的方法始終提供卓越的性能和更低的風險，然后在使用大數據時，在不同市場時期和股市中優于競爭方法。