情绪驱动市场信念下的行为投资组合优化的Wasserstein分布鲁棒方法

《Array》：A Wasserstein Distributionally Robust Approach to Behavioral Portfolio Optimization under Sentiment-Driven Market Beliefs

　　

金融市场表现出加剧的波动性、持续的行为扭曲和收益分布中日益增长的模糊性，从而挑战了传统投资组合优化框架的核心假设。为此，本研究开发了一个完全数据驱动的行为投资组合优化模型，该模型将文本情绪分析、扩展的Black-Litterman方法和基于Wasserstein的分布鲁棒优化（Distributionally Robust Optimization, DRO）整合到累积前景理论（Cumulative Prospect Theory, CPT）框架内。使用FinBERT模型提取金融新闻情绪，并系统地转化为定量投资者观点，嵌入到情绪增强的Black-Litterman结构中，以透明、数据一致的方式调整均衡收益。与依赖主观或临时信念形成的传统方法不同，所提出的框架直接从观察到的文本和市场信息中推导出投资者预期和分布不确定性。为了解决资产收益分布中的模糊性，使用基于场景的模拟构建Wasserstein模糊集，在CPT偏好下产生一个非线性、有约束的优化问题。实证证据表明，与不鲁棒的行为基准相比，Wasserstein鲁棒CPT模型显著降低了投资组合方差和条件风险价值（Conditional Value-at-Risk, CVaR），同时实现了CPT效用的适度改善。总体而言，研究结果表明在市场不利条件下增强了投资组合稳定性和下行韧性。使用持有期进行的样本外评估，结合对投资组合换手率和交易成本的评估，进一步表明观察到的改善不仅限于估计期，并且在考虑现实实施约束后仍然具有经济相关性。因此，所提出的框架为在不确定性、行为不对称和信息驱动动态的环境中投资组合优化提供了一种集成且可操作的决策支持方法。

**论文解读文章：基于情绪驱动市场信念的行为投资组合优化的Wasserstein分布鲁棒方法**

**研究背景与问题**
传统投资组合优化模型（如Markowitz均值-方差模型）依赖于收益正态分布、精确参数估计和理性投资者行为等简化假设，但在实际市场中，这些假设常因波动性加剧、行为偏差（如损失厌恶）和收益分布模糊性而失效。Black-Litterman模型通过贝叶斯方法结合均衡收益与主观观点，改善了参数敏感性，但仍假设理性预期，无法捕捉情绪驱动的价格动态。同时，行为金融学指出投资者存在参考依赖、损失厌恶和非线性概率加权等非理性特征，累积前景理论（Cumulative Prospect Theory, CPT）为此提供了更现实的决策框架。此外，收益分布的真实形式未知且易受估计误差、市场机制转换和极端事件影响，传统优化模型对此高度敏感。分布鲁棒优化（Distributionally Robust Optimization, DRO）通过考虑最坏情况分布来应对分布不确定性，其中Wasserstein距离因理论可处理性和优秀样本外表现而受到关注。然而，现有研究尚未将文本情绪分析、行为偏好和分布鲁棒性整合到一个统一的数据驱动框架中。因此，本研究旨在开发一种集成情绪分析、Black-Litterman模型、CPT和Wasserstein DRO的框架，以解决传统模型在不确定性、行为偏差和信息驱动环境下的局限性。

**研究内容与结论**
研究人员提出了一种完全数据驱动的行为投资组合优化模型，该模型整合了FinBERT文本情绪分析、扩展的Black-Litterman方法、CPT偏好和Wasserstein DRO。首先，利用FinBERT从金融新闻中提取连续情绪分数，并将其转化为定量投资者观点，嵌入到情绪增强的Black-Litterman结构中，以调整均衡收益。其次，基于历史数据和情绪调整后的参数生成收益场景，并使用k-means聚类和交叉验证进行场景约简与稳定性调整。然后，在CPT框架下构建行为优化目标，并引入Wasserstein模糊集以考虑分布不确定性，通过Kantorovich对偶将无限维问题转化为有限维非线性规划，并采用一阶对抗近似和软plus平滑处理CVaR，最终使用SLSQP求解器求解。实证分析基于五只纳斯达克股票（AAPL、MSFT、GOOG、AMZN、TSLA）在2022年6月至2025年6月的数据，样本内优化和样本外评估（2024年7月至2025年6月）表明：与Markowitz、1/N等权、经典Black-Litterman和不鲁棒的CPT基准相比，DRO-CPT模型在保持相当预期收益的同时，显著降低了方差、标准差和条件风险价值（Conditional Value-at-Risk, CVaR），提高了夏普比率、索提诺比率和CPT效用。样本外结果进一步证实了DRO-CPT在年化收益和索提诺比率上的优势，但尾部风险改善不完全持久。换手率和交易成本分析显示，DRO-CPT的调整成本适中，且经济意义显著。敏感性分析证实，随着损失厌恶系数增大，模型自动导向更保守的配置。该研究发表在《Array》。

**关键技术方法**
研究人员采用以下主要关键技术：（1）**FinBERT情绪提取**：使用预训练FinBERT-V2模型对金融新闻进行连续情绪评分（范围[-1,1]），并结合时间衰减、来源可信度和模型置信度加权，生成结构化投资者观点。（2）**情绪增强的Black-Litterman模型**：将情绪分数通过蒙特卡洛模拟调整几何布朗运动终端价格，转化为对数收益率观点，并构建观点误差协方差矩阵，结合均衡收益计算后验收益分布。（3）**场景生成与约简**：基于多元t分布（自由度ν=12）模拟20,000个收益场景，经PCA降维和k-means聚类（k=5）提取代表性场景，并通过交叉验证的稳定性评分调整场景概率。（4）**Wasserstein分布鲁棒优化**：构建围绕经验分布的Wasserstein模糊集，通过Kantorovich对偶转化为有限维优化，采用一阶对抗近似扰动场景收益（扰动预算γ以比例分配于各场景的CPT敏感度），并使用软plus函数（平滑参数k=50）平滑CVaR损失函数，最终通过SLSQP求解非线性规划。数据来源为纳斯达克上市的五大股票（AAPL、MSFT、GOOG、AMZN、TSLA），财务新闻来自Finnhub、Yahoo Finance和CNBC。

**研究结果**
**4.5 行为鲁棒模型的结果与性能分析**
通过网格搜索（γ∈{0.01,0.05,0.07,0.1,0.25,0.5,1,2,5}，λ∈{0.1,0.3,0.5,0.7,0.9}），结合帕累托前沿和拐点准则，选定最优参数组合γ=1、λ=0.7。该参数下，DRO-CPT模型在CVaR与CPT效用间取得最佳平衡。

**4.6 基准比较：经典、行为与行为鲁棒投资组合**
与Markowitz、1/N等权、经典Black-Litterman和CPT基准对比：DRO-CPT的方差（0.00070）和标准差（0.0257）最低，CPT效用（0.0169）最高，夏普比率（0.4798）和索提诺比率（0.9509）显著优于其他策略。CPT基准的方差（0.00080）和标准差（0.0275）高于DRO-CPT，但优于非行为模型。经典Black-Litterman收益中等（0.0110），但尾部风险较高（CVaR_95%=0.0310）。结果表明，每个组件（Black-Litterman、CPT、Wasserstein鲁棒性）均贡献了不同方面的性能提升。

**4.7 样本外表现与实施成本分析**
样本外期间（2024年7月-2025年6月）：DRO-CPT年化收益最高（27.45%），索提诺比率最高（1.8661），但CVaR_95%（0.0523）和最大回撤（-0.2744）略高于CPT（0.0502和-0.2400），说明尾部风险改善不完全持久。换手率分析显示，DRO-CPT换手率（0.7000）低于CPT（0.8000），交易成本（0.070%）占年化收益的0.26%，经济上可接受。

**4.8 损失厌恶系数的敏感性分析**
随着损失厌恶系数L从0.6增至2.0，DRO-CPT效用均值从0.0185降至0.0124，CVaR_95%均值从0.0321降至0.0289，表明模型有效适应投资者风险偏好变化，引导向更保守配置。

**总结讨论与结论**
研究结论部分翻译：本研究提出了一种新颖的行为鲁棒投资组合优化框架，该框架整合了文本情绪分析、累积前景理论（CPT）、Black-Litterman模型和基于Wasserstein的分布鲁棒优化（DRO）。通过结合投资者行为偏好和对分布不确定性的鲁棒性，该框架解决了经典模型的关键局限性，包括对极端事件的敏感性以及无法捕捉非线性投资者行为。实证结果表明，行为鲁棒投资组合始终优于经典和基线行为投资组合，实现了更高的预期效用、更低的方差和更小的尾部风险（CVaR），同时有效整合了情绪驱动的市场信号。敏感性分析进一步证实，该模型能根据损失厌恶程度的变化进行现实调整，随着风险厌恶增加，引导投资组合向更保守的配置移动。此外，场景生成过程和基于Wasserstein的不确定性集增强了投资组合决策在不同市场条件下的鲁棒性。总体而言，该框架弥合了行为金融理论与实践投资组合管理之间的差距，为构建既符合心理特征又具有统计弹性的投资组合提供了多功能工具。