基于CEEMDAN-GLSTM-LSTM混合深度学习模型的Black-Litterman投资组合优化研究

针对Black-Litterman模型因主观观点输入导致的资产配置偏差问题，研究人员提出CEEMDAN-GLSTM-LSTM（CGL）混合深度学习框架，通过遗传算法优化LSTM超参数（GLSTM）和非线性集成预测，生成数据驱动的客观观点。实证显示，CGL-BL模型在SSE 50和DJIA指数上分别实现49.91%-76.81%超额收益，为量化投资提供新范式。

　　

金融市场的复杂性和投资者主观偏见长期困扰着资产配置领域。传统Black-Litterman（BL）模型虽能融合市场数据与投资者观点，但其效果高度依赖主观观点质量，易受认知偏差影响。近年来，深度学习技术为金融预测带来革新，但现有方法在超参数优化和非线性关系建模上存在明显短板。

香港中文大学的研究团队在《Expert Systems with Applications》发表研究，提出CEEMDAN-GLSTM-LSTM（CGL）混合模型。该模型通过完全自适应噪声集合经验模态分解（CEEMDAN）处理金融时间序列的非平稳性，利用遗传算法（GA）优化各本征模态函数（IMF）对应的LSTM网络超参数（GLSTM），再通过第二层LSTM非线性集成预测结果。将CGL生成的预测作为BL模型的客观输入，构建CGL-BL投资组合优化框架。

关键技术包括：1）CEEMDAN分解上证50指数（SSE 50）和道琼斯指数（DJIA）的收益率序列；2）基于GA的LSTM超参数优化（隐藏层数、学习率等）；3）双层LSTM架构实现非线性集成；4）通过BL模型将预测转化为隐含超额收益；5）采用Walk-forward验证策略评估组合表现。

预测性能分析显示，CGL模型在SSE 50和DJIA的测试集上，均方根误差（RMSE）较传统CEEMDAN-LSTM降低12.3%-18.7%，证实GA优化和非线性集成的有效性。

组合绩效验证发现：短期策略（SSE 50）中CGL-BL年化超额收益达70.27%，夏普比率（Sharpe ratio）提升2.1倍；中长期策略（DJIA）最大回撤（Maximum drawdown）控制在14.2%以内，显著优于市场权重组合。Walk-forward测试验证模型稳健性。

该研究突破性地将信号分解、智能优化与深度学习相结合，其创新体现在三方面：1）首创GLSTM架构解决IMF特异性建模问题；2）通过LSTM非线性集成规避传统线性加权的误差累积；3）构建首个端到端的BL模型自动化观点生成系统。实证表明，数据驱动的CGL-BL模型能有效克服行为金融学中的认知偏差，为智能投顾系统提供可靠技术路径。未来研究可探索多因子预测框架与跨市场动态权重配置。