基于LSTM预测器的不确定性在线投资组合选择模型及其在动态市场中的应用

《Fuzzy Optimization and Decision Making》：Uncertain online portfolio selection with LSTM predictors

本研究针对传统在线投资组合选择(OLPS)方法难以捕捉复杂时间依赖性和量化市场不确定性的问题，提出融合长短期记忆(LSTM)网络与不确定性理论的新型框架。通过构建自适应不确定均值-绝对偏差优化模型，动态平衡不确定性调整预期收益与分解风险指标及交易成本，实验验证了该方法的有效性和显著优势。

　　

在线投资组合选择(Online Portfolio Selection, OLPS)作为金融工程与人工智能交叉领域的前沿方向，致力于通过动态市场环境中连续调整资产配置来实现累积财富最大化。该领域的核心科学挑战在于精准预测波动性资产的预期收益并实时生成最优投资组合策略。传统方法依赖历史收益模式和概率假设，难以有效捕捉复杂的时间依赖性(temporal dependencies)和量化内在市场不确定性。为解决这一局限性，本研究在不确定性理论框架下构建了创新性的双路径架构：首先利用长短期记忆(Long Short-Term Memory, LSTM)网络生成精确收益率预测，继而开发自适应不确定均值-绝对偏差(mean-absolute deviation)优化模型，动态协调经不确定性调整的预期收益与分解后的风险指标及交易成本。通过系列数值实验验证，该框架展现出显著的操作效能和应用优势。