Data-Driven Dynamic Portfolio Selection with Vine Copula Simulation and Reinforcement Learning
Aggiunta all'archivio di AIChronos il (numero del 14 ottobre 2026 ricostruito)· fonte del · Gabriël M. J. Gelissen, Fengyi Yuan
Questo studio propone un approccio data-driven per la selezione dinamica di portafogli che integra simulazioni basate su vine-copula con tecniche di reinforcement learning. Il modello stima una struttura vincolare dai rendimenti storici per generare scenari congiunti, permettendo l'addestramento di politiche ricorrenti sotto vincoli di stabilità locale e approssimazione strutturale. Su un paniere di sette asset (azioni USA/Cina e oro), l'ensemble selezionato supera i benchmark classici raggiungendo un CAGR del 34.13% e uno Sharpe ratio di 2.31, riducendo contemporaneamente il turnover target-to-target del 41.5%. L'integrazione di dati simulati con quelli storici migliora significativamente l'efficienza operativa mantenendo performance comparabili.
- Combinazione innovativa tra vine-copula simulation e reinforcement learning per la gestione dinamica dei portafogli.
- Propagazione degli errori nei parametri delle pair-copulas attraverso trasformazioni condizionali per garantire stabilità in Hellinger distance.
- Utilizzo di budget marginali e strutturali per limitare le perdite del mercato reale rispetto ai valori ottimali stimati.
- Riduzione significativa del turnover target-to-target grazie all'uso combinato di dati simulati e storici durante il training.
- Superamento dei benchmark classici su un paniere diversificato includendo equities statunitensi, cinesi e oro.
Perché conta. Sebbene focalizzato sulla finanza quantitativa, questo approccio illustra come l'integrazione di simulazioni generative (tramite copule) con algoritmi di ottimizzazione sequenziale possa migliorare la robustezza dei modelli predittivi. Per sviluppatori che costruiscono agenti AI o sistemi decisionali complessi, il concetto è rilevante per comprendere tecniche avanzate di gestione del rischio e propagazione degli errori in ambienti stocastici.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.