portfolio-optimization

介绍一个关于Python量化交易全栈实操的视频教程，涵盖数据抓取、机器学习预测、组合优化和策略回测，并提及开源量化交易执行系统Kungfu。

提出使用神经谓词为Black-Litterman模型生成结构化概率观点，提高投资组合构建中的可复现性和可解释性。

介绍RL-NSGA-II-GRC方法，该方法将强化学习与经灰关联系数增强的NSGA-II遗传算法相结合，用于多目标优化，应用于NASDAQ投资组合优化。实现了改进的收敛性和多样化的帕累托前沿。

提出学习预测性模糊集（LPAS）用于分布鲁棒优化，其中深度上下文模型输出名义情景分布、状态依赖的Wasserstein半径和基础度量，并通过决策损失和校准进行训练。应用于S&P 500数据的投资组合优化，该方法实现了更高的回报和夏普比率，同时相比于固定半径基线减少了保守性。

本文提出了一种深度强化学习框架（MORP-DRL），用于多目标基于可靠性的投资组合优化，在实践约束下使用CVaR和EVaR联合优化期望收益和下行风险，并在不同市场体制下的全球股票指数上展示了性能。

本文提出了一种用于稀疏切线投资组合优化的端到端决策聚焦学习框架，该框架用平滑top-k算子替代离散资产选择，使得梯度能够在预测和优化中流动，从而直接最大化夏普比率。

FlowBank引入了一个三阶段框架，通过预计算一组多样化的可重用工作流并自适应地为每个查询选择最佳工作流，来优化LLM多智能体系统中的智能体工作流，在保持成本竞争力的同时实现了更高的分数。

本文提出了一种决策支持框架，用于优化权益证明区块链中的验证者选择，通过多目标优化和交互式偏好学习，平衡投资组合的质量与分散化。

本文引入了语义状态抽象接口（SSAI），旨在将LLM增强型投资组合决策中的表征假设与优化方差分离开来。研究结论指出，SSAI的表观优势很大程度上源于篮子选择效应，而在实证上，密集编码和主成分表现更佳。