Weight bound constraints in mean-variance models: a robust control theory foundation via machine learning
Notice bibliographique
Résumé
Using an innovative representation of the weight bound constrained Markowitz's (Portfolio selection. J. Finance, 1952, 7, 77–91) mean-variance model, developed using the support vector data description, a machine learning algorithm introduced by Tax and Duin (Support vector data description. Mach. Learn., 2004, 54, 45–66), we provide an innovative interpretation of the robustness of these bound constraints in terms of robust control theory in the sense of Hansen and Sargent (Robust control and model uncertainty. Am. Econ. Rev., 2001, 91, 60–66). Building on these insights, firstly, we detail the method for quantifying the degree of misspecification in Markowitz's (1952) mean-variance model using its counterpart with weight upper bounds. Additionally, we show that this degree of misspecification is a decreasing piecewise linear function of the bound. Secondly, we empirically investigate two simulation-based methods, inspired by Michaud's (The Markowitz optimization enigma: Is ‘optimized’ optimal? Financ. Anal. J., 1989, 45, 31–42) resampling technique, for choosing the bound. Thirdly, we compare the robustness of the weight upper bound constrained mean-variance model with that of Goldfarb and Iyengar's (Robust portfolio selection problems. Math. Oper. Res., 2003, 28, 1–38) robust maximum return model.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».