基于非对称拉普拉斯分布和低阶矩的下行风险投资组合优化模型

《Mathematics》：Context-Guided Traversal with Deep Reinforcement Learning for Suspicious Subgraph Detection in Cryptocurrency Transaction Graphs

　　

摘要

本文提出了一种基于非对称拉普拉斯（AL）分布的下行风险投资组合优化模型，其中下行风险通过低阶矩（LPM）来衡量。在该框架下，我们显式推导了一阶和二阶低阶矩的表达式，并开发了一个半解析框架以确定最优投资组合权重。实证分析将所提出的基于AL分布的策略与基于正态分布的下行风险最小化策略以及等权重投资组合进行了比较。结果表明，与基于正态分布的基准相比，基于AL分布的策略在控制下行风险和改善经风险调整后的绩效方面表现更为优异。