光华讲坛——社会名流与企业家论坛第 期
主 题:A Synthetic Regression Model for Large Portfolio Allocation
主讲人:英国约克大学张文扬教授
主持人:统计学院林华珍教授
时间:2023年4月14日(周五)下午16:00-17:00
举办地点:柳林校区弘远楼408会议室
主办单位:统计研究中心和统计学院 科研处
主讲人简介:
张文扬教授是英国一流大学约克大学的统计学首席教授,统计学三大国际顶尖期刊之一 the Annals of Statistics 的副主编,商务和经济统计方面的国际顶尖期刊 Journal of Business & Economic Statistics 的副主编。张文扬教授主要从事大数据分析,金融数据分析,高维数据分析,非参数建模、时间序列分析、空间数据分析,多层次建模,生存分析,结构方程模型等方向的研究。他在国际顶尖学术期刊发表了很多非常有影响的学术论文,他关于ABC方法的一篇论文被引用超过3000多次。他曾先后在英国伦敦政治经济学院、英国 Kent 大学、英国 Bath 大学、英国 York 大学任教,现为英国 York 大学统计学首席教授。他曾是英国皇家统计学会科研委员会委员(历史上第三位华人担任该委员会委员),曾经连续担任三届统计学三大国际顶尖期刊之一 Journal of the American Statistical Association 的副主编。
内容简介:
Portfolio allocation is an important topic in financial data analysis. In this talk, based on the mean-variance optimization principle, I will present a synthetic regression model for construction of portfolio allocation, and an easy to implement approach to generate the synthetic sample for the model. Compared with the regression approach in existing literature for portfolio allocation, the proposed method of generating the synthetic sample provides more accurate approximation for the synthetic response variable when the number of assets under consideration is large. Due to the embedded leave-one-out idea, the synthetic sample generated by the proposed method has weaker within sample correlation, which makes the resulting portfolio allocation more close to the optimal one. I will show this intuitive conclusion is theoretically confirmed to be true by the asymptotic properties established. I will also show intensive simulation studies to compare the proposed method with the existing ones, and illustrate the proposed method works better. Finally, I will apply the proposed method to real data sets, and show very encouraging yielded returns.
投资组合配置是金融数据分析中的一个重要课题。在这次演讲中,基于均值-方差优化原则,主讲人将提出一个用于构建投资组合配置的综合回归模型,以及一种易于实现的方法来生成模型的合成样本。与现有文献中组合配置的回归方法相比,本文所提出的合成样本生成方法在考虑的资产数量较大时对合成响应变量提供了更准确的近似。由于嵌入了leave-one-out思想,该方法生成的合成样本具有较弱的样本内相关性,使得最终的投资组合配置更接近于最优配置。主讲人将证明这个直观的结论在理论上被建立的渐近性质证实是正确的。主讲人还将展示密集的仿真研究,将所提出的方法与现有的方法进行比较,并说明所提出的方法效果更好。最后,主讲人将把提出的方法应用到真实的数据集上,并显示出非常令人鼓舞的收益。