“学海拾珠”系列之一百九十：基于改进的CTGAN-Plus-Features的资产配置优化方法

敬请参阅末页重要声明及评级说明 证券研究报告 基于改进的 CTGAN-Plus-Features 的资产配置优化方法 ——“学海拾珠”系列之一百九十 [Table_RptDate] 报告日期：2024-05-29 [Table_Author] 分析师：骆昱杉 执业证书号：S0010522110001 邮箱：luoyushan@hazq.com 分析师：严佳炜 执业证书号：S0010520070001 邮箱：yanjw@hazq.com [Table_CompanyReport] 相关报告 1. 《基于复合模型构造行业 ETF 组合——“学 海 拾 珠”系 列 之 一 百 八 十九》 2. 《行业羊群行为与动量策略——“学海拾珠”系列之一百八十八》 3. 《强制分红与公司投资：基于多国数据分析——“学海拾珠”系列之一百八十七》 4. 《基金中的“伪择时”现象——“学海拾珠”系列之一百八十六》 5. 《DiffsFormer：基于扩散模型的因子增强框架——“学海拾珠”系列之一百八十五》 6. 《深度投资组合管理中的对比学习和奖励平滑——“学海拾珠”系列之一百八十四》 7. 《基金业绩基准之外的共同持股意味着什么？——“学海拾珠”系列之一百八十三》 8.《基于网络和机器学习的因子、资产和混合配置——“学海拾珠”系列之一百八十二》 主要观点： [Table_Summary] 本篇是“学海拾珠”系列第一百九十篇，文章提出了一种新的投资组合优化方法，包含合成数据生成技术、特征信息增强以及 CVaR 约束。 ⚫ 融合 CvaR 约束与特征信息的投资组合问题 考虑到大多数投资组合更注重避免损失而不是波动，文章选择条件风险价值（CVaR）作为合适的风险度量，并将非线性优化问题进行离散化与线性化。同时，文章根据特征与经济环境的相似性对收益序列赋予相应的重要性，以此将特征信息添加到优化问题中。 ⚫ 使用改进的 CTGAN 模型生成合成数据 文章旨在通过 CTGAN 生成能够感知市场环境的合成数据，具体步骤包括对原始数据集利用 PCA 进行正交化处理，并通过聚类方法生成离散向量，然后使用主成分与离散向量训练 CTGAN 以生成合成样本。最后，利用存储的特征向量将合成数据集反向投影到原始空间中，得到最终的合成数据集。这一过程为优化问题提供了足量数据，并确保了合成数据通过适应不同市场环境以更好地捕捉历史数据的基本特征。 ⚫ 案例分析表明 CTGAN-方法的有效性 文章选取十种资产进行回测，结果显示，CTGAN 生成的数据能很好地捕捉历史数据的基本特征，并且将合成数据与基于 CVaR 的优化框架结合使用时，可生成样本外性能令人满意的投资组合。 ⚫ 文献来源 核心内容摘选自 José-Manuel Peña, Fernando Suárez, Omar Larre, Domingo Ramírez, Arturo Cifuentes 于 2024 年 2 月 22 日在 Quantitative Finance 上的文章《A Modified CTGAN-Plus-Features Based Method for Optimal Asset Allocation》 ⚫ 风险提示 文献结论基于历史数据与海外文献进行总结；不构成任何投资建议。 [Table_StockNameRptType] 金融工程 专题报告 [Table_CommonRptType] 金融工程 敬请参阅末页重要声明及评级说明 2 / 22 证券研究报告 正文目录 1 引言 ....................................................................................................................................................................................................... 4 2 问题描述 .............................................................................................................................................................................................. 6 2.1 离散化与线性化 ........................................................................................................................................................................... 7 3 合成数据生成 ...................................................................................................................................................................................... 8 3.1 条件表格生成对抗网络（CTGAN） ......................................................................................................................................... 9 3.2 一种改进的 CTGAN-PLUS-FEATURES 方法 ................................................................................................................................ 9 4 应用案例 ............................................................................................................................................................................................ 10 4.1 特征选取 ........................................