北卡羅來納州立大學研究人員表示，人工智慧程式可以有效管理資產組合
發布日期：研究人員開發並演示了一種人工智慧 (AI) 程序，使他們能夠滿足包含數百種資產的大規模投資組合的特定投資風險和回報目標。
“我們想知道是否可以使用機器學習來提高夏普比率，以便獲得有關購買、出售或保留投資組合中的內容的更好信息，從而提高您的投資組合在 6-12 個月內的表現。” 穆罕默德·卡內爾，有關該工作的論文的合著者。 “這項工作表明我們可以。”卡納是北卡羅來納州立大學普爾管理學院的瑟曼-雷神傑出經濟學教授。
夏普比率是衡量投資人投資組合在回報大小和所持資產貶值風險之間進行權衡的一種方法。這是整個投資產業所使用的一個成熟的指標。
然而，當投資組合包含數百個持股時，事情就會變得複雜，因為對所有持股進行風險/收益分析並做出管理決策變得越來越困難。
為了更好地管理這些資產，金融部門越來越多地轉向使用機器學習來做出投資組合決策的人工智慧程式。
Caner 先前曾協助開發 一個基於新穎數學定理的人工智慧程序，可為財務決策提供資訊。然而，卡納想看看他是否可以透過納入先前模型未考慮到的一系列財務因素來改進該人工智慧程式。
「管理包含數百項資產的投資組合具有挑戰性，」Caner 說。 「它可以包含各種股票和商品，其中大多數都以某種方式相互關聯。如何處理如此複雜的動態矩陣？我們著手訓練一個人工智慧程式來考慮各種因素，最終目標是實現特定的夏普比率 - 我們做到了。
「值得注意的是，不存在『正確的』夏普比率——它會根據投資者能夠承受的風險程度而變化。但我們已經能夠在 6-12 個月的時間裡訓練我們的人工智慧，以實現您為投資組合設定的夏普比率目標。我們已經在模擬和現實世界的實踐中證明了這一點。
該論文“高維夏普比率分析：因子模型中基於殘差的節點迴歸，」發表在 計量經濟學雜誌。論文的共同作者是裡約熱內盧天主教大學的馬塞洛·梅代羅斯 (Marcelo Medeiros)；巴西交通銀行 BBM 銀行的 Gabriel FR Vasconcelos。
(C) 北卡羅來納州立大學
原文來源： WRAL 技術線