Sustainable vs. Non-Sustainable Assets: A Deep Learning-Based Dynamic Portfolio Allocation Strategy
Notice bibliographique
Résumé
This article aims to investigate the impact of sustainable assets on dynamic portfolio optimization under varying levels of investor risk aversion, particularly during turbulent market conditions. The analysis compares the performance of two portfolio types: (i) portfolios composed of non-sustainable assets such as fossil energy commodities and conventional equity indices, and (ii) mixed portfolios that combine non-sustainable and sustainable assets, including renewable energy, green bonds, and precious metals using advanced Deep Reinforcement Learning models (including TD3 and DDPG) based on risk and transaction cost- sensitive in portfolio optimization against the traditional Mean-Variance model. Results show that incorporating clean and sustainable assets significantly enhances portfolio returns and reduces volatility across all risk aversion profiles. Moreover, the Deep Reinforcing Learning optimization models outperform classical MV optimization, and the RTC-LSTM-TD3 optimization strategy outperforms all others. The RTC-LSTM-TD3 optimization achieves an annual return of 24.18% and a Sharpe ratio of 2.91 in mixed portfolios (sustainable and non-sustainable assets) under low risk aversion (λ = 0.005), compared to a return of only 8.73% and a Sharpe ratio of 0.67 in portfolios excluding sustainable assets. To the best of the authors’ knowledge, this is the first study that employs the DRL framework integrating risk sensitivity and transaction costs to evaluate the diversification benefits of sustainable assets. Findings offer important implications for portfolio managers to leverage the benefits of sustainable diversification, and for policymakers to encourage the integration of sustainable assets, while addressing fiduciary responsibilities.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».