【学术期刊】 《Pattern Recognition》，2023年第144卷
【作者简介】宁瀚文，4556银河国际教授，博士生导师。主要研究方向是机器学习，深度学习与计量经济学交叉，金融统计。在统计学和人工智能权威期刊发表多篇文章，并主持过多项国家自然科学基金和国家社会科学基金。 李占风，4556银河国际教授、博士生导师，研究方向为金融统计、经济计量分析。席文治，4556银河国际金融统计学专业博士研究生。宋心远，中国香港中文大学统计学系的全职教授，中国教育部授予的“长江学者”特聘教授、国际数理统计学会（IMS）会士、国际统计学会（ISI）当选会员。
【主要观点】在线投资组合选择(OPS)越来越受到机器学习和量化金融领域的关注。尽管现有的和开创性的OPS方法是有效的，但它们仍存在几个关键的局限。首先，价格预测通常基于预先确定的趋势，这对于快速变化的市场模式而言是不够的。其次，每个资产都被单独处理，忽略了资产之间普遍存在的相关性。第三，风险项在优化过程中通常缺失或者是不合适的。本文提出了一种新的OPS方法——在线低维集成方法(online low-dimension ensemble method, OLDEM)，以克服这些局限性。受到资产价格联动性这个典型事实的驱动，本文将金融市场视作一个高维动态系统（HDS），从HDS中随机生成大量的低维子系统（LDSs），提取资产之间的相关信息。首先，使用LDSs进行资产的价格预测，然后使用集成学习技术聚合各预测值，形成最终的预测。由于本文的价格预测方案所带来的独特的优势，本文还开发了一种新的高维协方差矩阵估计/预测方法，有效地评估目标投资组合的瞬时风险。与最先进的方法相比，本文提出的OLDEM方法实现了更准确的预测。通过预测性瞬时风险评估，提出了一个更合适的优化问题，大大改善了OPS设置，并显著提高了投资性能。因此，本研究开发了一种灵活而有前景的方法来学习快速变化的市场模式，并证明了市场的高维特征是短期数据金融建模的关键信息来源，而不是传统意义上的障碍。本文在真实数据集上进行的大量的实验进一步验证了OLDEM方法的有效性。
