| 基于Knockoff的分位数回归变量选择方法及其投资组合决策应用 |
| |
| 作者姓名： | 王小燕 张中艳 |
| |
| 作者单位： | 湖南大学金融与统计学院 |
| |
| 基金项目： | 国家自然科学基金面上项目“多源数据融合的高维整合分析分类模型及其信用风险应用”（72271088）；;教育部人文社科基金规划项目“基于多源数据的高维分类模型及其信用风险预警研究”（22YJC910012）；;湖南省自然科学基金青年项目“基于多源数据融合的高维分类模型及其违约风险管理应用研究”（2022JJ40107）；;长沙市自然科学基金项目“大数据的整合分析分类模型及其违约风险管理应用研究”（kq2202180）；;湖南省研究生科研创新项目“面向高维数据的knockoff分位数回归及其应用”（CX20210422）； |
| |
| 摘 要： | 在数据驱动时代，变量选择广泛应用于投资组合，如何从众多资产中挑选恰当的资产并进行配比，对稳定收益、控制风险非常关键。现有选择资产的方法未考虑到控制错误发现率（FDR），不利于作出稳健的投资决策。为此，本文在Lasso分位数回归下基于Knockoff方法控制FDR，并用于求解条件风险价值（CVaR）投资组合决策模型。其中，用Lasso惩罚实现变量选择，用Knockoff方法通过模仿解释变量的相关结构构造Knockoff变量，将变量选择的FDR控制在给定水平。模型在两步迭代算法下采用线性规划求解，模拟分析从不同的误差分布、变量分布和维度下多角度展开。结果显示，与已有模型相比，基于Knockoff的Lasso分位数回归模型能良好地控制FDR且呈现出最好的预测效果。最后基于上证50指数成分股进行实证分析，利用滚动建模技术进行投资组合决策分析，发现新模型在收益指标和风险指标上均具有一定优势。
|
| 关 键 词： | 分位数回归 Knockoff Lasso惩罚 投资组合 CVaR |
|
