文摘
尽管社会责任投资(SRI)已经发展成为一个重要的投资风格,只有少数的研究讨论斯里兰卡投资建设。鉴于绝大突破机器学习在预测,本文提出了斯里兰卡投资组合构建模型相结合的双重检验机制考虑机器学习预测和一个扩展的全球最小方差(GMV)模型(或扩展最大Sharpe比率(MSPR)模型),,分别命名为双重检验社会责任投资(DSSRI)投资组合模型I和II。该模型由两个阶段组成,即。,股票筛选和资产配置。首先,本文开发一种新颖的双重检验机制将环境、社会和公司治理(ESG)和回报潜力与良好的环境、社会和治理标准,以确保高质量的股票表现和高回报的潜力投入最优投资组合。具体来说,获得准确的股票回报预测,一个极端学习机模型优化的遗传算法被用来预测股票价格。接下来,贸易金融和环境、社会和治理目标的SRI投资者,延长GMV模型(或延长MSPR模型)考虑引入的环境、社会和治理因素是决定资本配置比例的股票。我们以中国a股市场为样本来验证该模型的有效性。实证结果表明,与替代模型相比,该模型可以产生更好的年回报率和环境、社会和治理分数性能以及竞争力的夏普比率的性能。
1。介绍
社会责任投资(SRI)认为个人价值观和社会问题在投资决策1,2]。SRI投资者认为投资是他们的生活方式的延伸,因此愿意把他们的社会信仰和价值观融入金融活动(3]。社会和环境问题的日益突出和投资者的逐渐觉醒意识的环境、社会和公司治理(ESG)因素,斯里兰卡提出了快速增长(4),已成为一个重要的投资风格。截至2020年,在全球金融市场有3038个签署国同意遵守负责任投资原则在联合国的支持下,围绕管理103.4万亿美元的资产。与2019年水平相比,这个数字代表增加20%,体积和管理资产表现出增加666万亿美元(见负责任投资原则http://www.unpri.org)。
事实上,斯里兰卡已经吸引了学术界的广泛关注,在过去几十年。研究人员从不同的角度探索SRI相关主题,包括SRI投资者的动机(5,6,对社会负责的测量7,8),环境、社会和治理评级之间的关系和公司的财务回报9,10]。更多参考,见(11]。然而,只有少数的研究集中在斯里兰卡的投资组合。与传统的投资组合构建,斯里兰卡投资组合构建需要一个股票筛选过程,以确保投资组合中的股票符合SRI投资者的社会价值观。一些研究者的股票筛选有价值的探索。例如,奥尔[12)应用不同的筛选方法来测试斯里兰卡的性能。实证结果表明,相比之下,积极筛查,从而损害投资业绩,截止率较低的负放映更好。Kempf和Osthoff13)负面的三个斯里兰卡筛选机制相比,积极,最佳筛查通过购买股票的投资策略与高社会责任社会责任评级较低的评级和出售股票。最佳筛查证明通常获得最高的异常收益。巴奈特和所罗门14)评估强度的影响社会筛选SRI基金的财务业绩。他们得出的结论是,SRI基金的财务回报筛查频率的降低而增加,而财务回报的反弹发生一次筛选强度达到最大值。值得一提的是,之前的研究股票筛选条件是完全基于环境、社会和治理标准。然而,随着讨论迪乌夫et al。15],麦肯齐和刘易斯[16],罗森et al。17),SRI投资者都关心环境、社会和治理和财务表现在同一时间。没有确凿的证据表明股票筛选基于环境、社会和治理标准可以带来高回报2,18- - - - - -20.]。因此,有必要考虑候选人的回报潜力股的筛选过程,确保筛选股票满足环境、社会和治理标准和SRI投资者的回报要求。
筛选潜在的高回报的股票,可靠的股票回报预测是至关重要的。机器学习方法,具有优秀的学习能力已被广泛用于预测股票回报。代表机器学习模型对股票预测包括支持向量机回归(SVR) [21,22),人工神经网络(ann) [23,24),模糊逻辑系统(25,26),深层神经网络(款)27,28),卷积神经网络(29日,30.),长期短期记忆模型(LSTM) (31日- - - - - -33),和整体学习34,35]。最近,极端学习机(ELM)是一种新型的机器学习模型,得到了关注由于其强大的性能。例如,撒谎等。36)利用榆树的高精度和快速学习优势来预测股票价格,然后生成交易信号。破折号和破折号(37]采用榆树训练人工神经网络计算高效的功能联系,获得更好的预测效果,股指波动比与反向传播(BP)算法。魏et al。38)有效地改善汇率预测的准确性使用混合模型的基于榆树。江et al。39)开发的两个混合模型采用榆树的股票价格预测的预测。实证结果表明,该模型预测精度高。尽管榆树能够实现良好的预测精度,其主要缺点是随机生成的机制输入隐藏层的重量和偏见,这可能会导致差的解决方案,从而破坏其稳定性和性能(40,41]。为了克服这个缺点,一个有效的策略是引入一个智能算法优化的输入重量和偏见隐藏层榆树(40,42,43]。遗传算法(GA),一个经典的和优秀的智能算法,利用机器学习来优化模型,即。,榆树44- - - - - -46)和英国石油公司(47]。特别是,榆树优化的遗传算法(GA-ELM)已经成功地应用于各种预测的话题,如发射(44,风力发电45),和气体浓度46]。因此,本文介绍了GA-ELM预测股票价格,然后屏幕股票具有高回报潜力的基础上,预测结果。
一旦股票筛选完成后,SRI投资者接下来需要确定最优投资的重量筛选股票。均值-方差模型(MV),现代投资组合理论的基础上,斯里兰卡投资组合优化仍然是常见的一种选择。关于这个主题,只有少数学者做了相关研究。例如,Oikonomou et al。48)尝试探索最优的方法构建斯里兰卡的投资组合。他们应用六个模型(三个简单的和三个复杂的)构造斯里兰卡投资组合和比较的性能。结果表明,基于复杂的优化模型由斯里兰卡投资组合MV有优越的风险回报权衡相对简单的模型(例如,那些天真的多样化)。分支等。49]分析了量化方法在环境、社会和治理投资组合构建的性能。他们得出的结论是,定量方法有效地减少风险,但可能会导致不必要的接触。尽管上述研究进行有意义的和深入的分析,他们要么没有考虑环境、社会和治理因素在投资组合优化过程中或者把环境、社会和治理作为约束条件,而不是一个优化目标,因此未能迎合投资者的需求最大化环境、社会和治理。在[50),一个扩展的MV被开发来构造一种环境、社会和治理投资组合,在最小化负面夏普比率与环境、社会和治理分数作为一种新型变量目标函数。该模型在环境、社会和治理分数显示相当大的优势传统MV模型。然而,这项研究缺乏一个有效的筛选过程,保证高质量的股票高的环境、社会和治理和高回报的潜力被输入到斯里兰卡投资组合,导致平庸的恢复性能。同样,几个MV模型将环境、社会和治理目标的修改版本(见,例如,伍兹et al。51),卡尔沃et al。52),斯蒂芬et al。53和毕尔巴鄂等。54])也未能预选在斯里兰卡投资组合构建高质量的股票。
基于上述分析,本文提出了两个斯里兰卡投资组合构建的模型称为双重检验社会责任投资(DSSIR)组合模型I和II(缩写为DSSIR-I和DSSIR-II),结合双重检验机制和投资组合优化模型。具体来说,小说的双重检验机制包括环境、社会和治理并返回潜在的筛查。首先,在环境、社会和治理筛查,以较低的环境、社会和治理分数被排除在投资股票宇宙确保筛选股票结合投资者的社会价值观。随后,在返回潜在筛选,与潜在高回报的投资组合,包括股票GA-ELM模型引入到预测筛选股票的价格。最后,环境、社会和治理高的股票和高回报的潜力,为高质量的股票,输入组合。这只股票筛选后,投资组合优化模型是用来权衡筛选高质量的股票。在这个工作中,贸易SRI投资者的金融和环境、社会和治理目标,扩展全球最小方差(GMV)模型(或扩展最大Sharpe比率(MSPR)模型)将环境、社会和治理因素,我们称之为GMV-ESG (MSPR-ESG),介绍了投资组合优化模型。本文的主要贡献如下:(1)与大多数斯里兰卡投资组合构建的研究不同,本文结合了股票预测投资组合选择,从而为斯里兰卡投资组合构建提供了一种新方法。(2)本文发展两个小说叫DSSRI-I和DSSRI-II斯里兰卡投资组合模型,在这一双重检验机制是为了确保高质量的股票(包括环境、社会和治理和回报潜力高)的组件斯里兰卡的投资组合。(3)提出的模型与替代模型,包括SSRI-GMV(或SSRI-MSPR), DSSRI-I (ELM)(或DSSRI-II (ELM)), DSSRI-I (SVR)(或DSSRI-II (SVR)), DSSRI-I(款)(或DSSRI-II(款),和DSSRI-I (LSTM)(或DSSRI-II (LSTM))。比较证明该模型的可行性和优势。
本文的其余部分如下。节2,我们概述相关的组件模型和引入该模型。节3,我们将描述数据集、参数设置和提出并讨论了实证结果。节4,我们总结了结论和未来的工作前景。
2。方法
2.1。GA-ELM模型
2.1.1。极端的学习机器
榆树,最初由黄开发等。55),是一种先进的单隐层前馈神经网络算法(SLFN),其网络拓扑结构由三层组成,即输入层、隐层和输出层。传统算法等SLFN BP算法确定最优权重通过多次迭代,而榆树随机生成输入隐藏层的重量和偏见。榆树分析可以计算输出权重基于最低标准最小二乘解。因此,与BP算法相比,获得良好的泛化性能的榆树能够以极快的速度。鉴于样本对 ,在哪里 , ,和 ,下面的方程可以获得榆树拥有隐层神经元(55]: 在哪里 表示输入的重量, 代表输出的重量,是激活函数,的偏见在隐藏层神经元。方程的矩阵形式(1)如下55]: 在哪里
是隐层输出矩阵。因此,输出榆树的重量可以获得使用最低标准最小二乘解(55)如下: 在哪里代表了Moore-Penrose广义逆的 。榆树可以实现以下四个步骤(55,56):(1)确定隐层神经元的数量;(2)随机生成的输入重量和偏见隐藏层,和 ;(3)计算隐层输出矩阵, ;和(4)估计输出的重量, 。
2.1.2。遗传算法
遗传算法是一个典型的智能算法首次提出在1975年由荷兰(57]。GA优化问题被认为是一个非常有效的工具,因为它是计算简单和强大,以及没有限制性假设解决方案空间(58]。遗传算法的核心思想,受“适者生存”理论,是模仿生物进化过程中人口获得全局最优的解决方案(59]。在解决实际问题时,遗传算法随机生成一个个体组成的群体(称为染色体)作为一个实际问题的候选解决方案在一代又一代进化,旨在消除贫困人口中的解决方案;因此,剩下的好的解决方案是进一步发展成更好的(60]。进化的结果,经过有限次迭代(直到终止一个预定义的标准是满意),人口可以获得的最优解。在进化的过程中,每一代的染色体决定下一代的遗传操作,通过三个。、选择、交叉和变异。
(1)选择操作。这个操作选择染色体作为父母,从目前的人口产生的后代在新的人口输入。共同的选择技术路线轮的概率方法,选择适当的每个个体的健康(61年]。健康是衡量质量的染色体(解决方案),由预设定计算适应度函数定义根据实际的问题。考虑到健身的吗 - - - - - -th染色体,整个人口的健康个人可以表示如下(62年]:
每个染色体的累积概率如下(62年]:
一个随机数 是生成的,如果 ,个人选为父。
(2)交叉操作。交叉操作,交流的某些部分两个父母生产一双新的后代进行寻求从搜索空间(有前途的解决方案63年]。给定一个交叉概率 ,如果生成一个随机数与一个标准的均匀分布小于 ,两个邻国之间的轨迹是选择染色体,即。,父母1和2。染色体交换后轨迹,从而形成新的后代1和2 (64年]。交叉处理可以表示如下:
(3)变异操作。变异操作保证个体的多样性,防止解决方案过于类似于避免获得局部最优解(65年]。类似于交叉操作、变异概率 ,如果一个随机数标准生成均匀分布和小于 ,父位点是随机选择的,和轨迹是逆转的价值,从而产生新的后代(64年]。突变过程可以表示如下:
2.1.3。使用遗传算法优化的榆树模型
虽然榆树学习速度快,泛化性能好,稳定的预测结果是弱的,因为它随机选择隐藏的神经元的输入重量和偏见在训练(40]。改善预测性能的榆树,最好的隐藏层的输入重量和偏见应该决心取代随机选择。最直接的方法是通过构建混合框架结合优化算法和榆树,从而优化输入重量和偏见隐藏层的随机生成的榆树(42]。在先前的研究[44- - - - - -46全球搜索),考虑到良好的性能,利用遗传算法来优化输入重量和偏见隐藏层来提高性能的榆树的股票预测。的详细过程GA-ELM算法在算法1。
|
2.2。扩展的投资组合优化模型
马科维茨的均值-方差模型(MV),一个典型的组合优化方法,在金融投资的实践已经流行。基于一组不同的返回或风险水平,MV可以确定有效边界,可以获得最大回报的投资组合的风险水平或达到最低风险为给定的回报水平。有两种常见组合模型的有效边界,即。GMV模型(66年)和MSPR模型(50]。前者表示风险最小的投资组合的有效边界,而后者表示投资组合能最大化的夏普比率66年]。本文把环境、社会和治理因素GMV和MSPR模型的目标函数形成GMV-ESG和MSPR-ESG模型,分别。GMV-ESG模型可以定义如下: 在哪里股票的重量吗 , 代表股票之间的协方差和 ,和投资组合的标准差。奥氏小体(建议后12),考虑到投资者通常只有一个模糊的环境、社会和治理的理解,综合环境、社会和治理分数是用来量化的环境、社会和治理的性能。和表示投资组合的预期环境、社会和治理分数和股票 ,分别。MSPR-ESG模型,同样的夏普比率,我们权衡环境、社会和治理分数最大化和风险最小化,从而将风险的环境、社会和治理下分数单位纳入MSPR模型。MSPR-ESG模型可以定义如下: 在哪里和分别表示股票的预期收益和投资组合,分别表示无风险回报。在这项研究中,预期回报 ,协方差 ,和环境、社会和治理分数通过历史数据。
2.3。提出的模型
高质量的输入股票构建一个最优投资组合中扮演一个重要的角色(67年]。因此,有必要排除劣质的股票从宇宙投资不能满足投资者的需求。对于大多数SRI投资者来说,高质量的股票不仅需要满足环境、社会和治理的期望,也有高回报的潜力。在拟议的模型中,一个新颖的双重检验机制考虑实现环境、社会和治理和回报潜力,保证高质量的股票投入最优投资组合。具体而言,low-ESG股票是宇宙第一清洗从投资阈值由投资者根据环境、社会和治理。随后,GA-ELM模型用来预测剩余股票的价格在未来时期,从而获得相应的回归预测。最后,预测回报降序排序,与顶级的回报和股票被视为最终从双重检验获得的高质量的股票。
此外,随着Oikonomou et al。48宇宙)声称,除了优化投资通过筛选过程,SRI投资者也仔细考虑投资组合选择技术。传统GMV和MSPR模型不能权衡SRI投资者的金融和环境、社会和治理绩效,因为他们不把环境、社会和治理的因素。因此,本文包括环境、社会和治理分数GMV和MSPR模型的目标函数内形成扩展的投资组合优化模型,即。GMV-ESG和MSPR-ESG模型,平衡SRI投资者的环境、社会和治理和财务目标。总之,该模型分为两个阶段的股票筛选和资产配置,包括四个步骤。该模型的流程图如图1和更详细的描述提出模型给出如下:步骤1。排除low-ESG股票。所有样本股票按降序排名的环境、社会和治理分数,也就是说, ,在哪里表示股票 。然后,环境、社会和治理分数阈值设置,与环境、社会和治理分数低于阈值和股票被排除在组建一个新的股票池 。步骤2。预测股票价格。因为斯里兰卡通常中等长期投资,我们预测股票价格在一段相对较长的时间间隔,而不是未来。首先,股票价格数据分为训练集和测试集,转化为监督学习形式。让表示的价格 , 表示时间间隔,代表时间窗口大小。因此,输入矩阵和输出矩阵的可以表示如下: 我们堆栈 在一个大V特性指标维度 。同样的,我们可以获得一个大目标矩阵和维阿 。随后,V特性指标和目标矩阵O GA-ELM模型进行训练。然后,获得最优GA-ELM模型应用于预测接下来的所有股票的价格期,即 。步骤3。屏幕上高质量的股票。将预测股票价格预测的回报, 。然后,获得预期的回报 按降序排序,最高股票被认为是最终的高质量的股票 。步骤4。计算资本配置的比例。GMV-ESG和MSPR-ESG模型是用来确定资本的比例分配给高质量的股票 ,从而获得最优斯里兰卡的投资组合。为了方便解决,往往是多目标模型转化为一个简略模型。方程(9)和(10)可以表示如下:
3所示。实证结果与分析
3.1。数据描述
在本文中,我们使用的环境、社会和治理分数汤森路透资产4,最突出的专业环境、社会和治理评级机构之一。我们获得月度关闭股票的价格从1月1日,2010年到2019年12月31日在选择数据库。目前,汤森路透资产4数据库报告的环境、社会和治理成绩只有少数中国上市公司。排除一些公司的环境、社会和治理分数要低得多或其股票价格数据明显不完整,我们选择50家公司作为研究样本,如表所示1。股票收盘价格时间序列分成训练集和测试集是基于年度滚动窗口的方法,从而形成三个研究周期。具体来说,在第一项研究期间,我们运用的股票价格从2010年到2016年训练集和测试集,然后从2017年我们明年搬到反过来,直到第三个研究期间,利用股票价格从2012年到2018年为训练集和测试集的股票价格从2019年。
3.2。参数设置
在我们的实验中,区间设置为3和时间窗口大小设置为6;即股票价格从第一个6个月是用来预测未来价格3个月实现季度预测。所有相关模型的参数表2。投资组合的资产规模是投资者需要考虑的一个关键因素。因为不适当的投资组合基数削弱了投资组合的性能,它可以增加费用或恶化的风险。在这个问题上,一些研究为我们提供了有价值的参考;例如,Zulkifli et al。68年认为包含15的股票可以多样化可分散风险。唐(69年发现包含20只股票的投资组合可以消除95%的可分散风险。考虑上述结论和交易费用和风险,我们设置了组合基数C= 15、16、17、18、19、20。保证预测结果的可靠性,得到了所有模型的最终预测结果通过计算平均20个独立运行的价值。实证研究是使用Python 3.7和2.0 TensorFlow环境实现电脑与1.80 GHz CPU和16.0 GB RAM。
3.3。股票双重检验
在本节中,双重检验,包括环境、社会和治理筛查和回报潜力,执行。首先,考虑到股份有限宇宙在这项研究中,我们审查的环境、社会和治理分数最低的20%的股票完成环境、社会和治理筛查。接下来,剩下的股票,我们使用GA-ELM模型来预测股票价格,进一步筛选股票基于他们的回报潜力。展示的性能GA-ELM股票筛选,我们比较这四个先进的机器学习模型:榆树,SVR,款,LSTM。预测评估,一些统计标准,如均方误差、均方根误差、平均绝对误差,一般用于测量的误差预测模型。然而,考虑到量化投资的目的,这些统计指标可能并不真正满足投资者的财务目标。(所70年),从业人员更关注潜在的交易盈利能力比模型的预测精度。一个简单的事实是,高回报的股票投资组合包含越多,是其产生高回报的概率就越大。因此,在这篇文章中,我们屏幕高回报的股票评估预测模型。换句话说,一个好的预测模型量化投资高回报的股票可以屏幕比下等预测模型。很明显,有两种极端情况:最好的模型可以屏幕上所有高回报的股票,和最糟糕的模型无法屏幕。
顶部股票回报最高的候选人之间的股票被认为是高回报的股票。验证的准确性和可概括的表现GA-ELM模型,我们可以提供不同的值。考虑到的价值直接决定了斯里兰卡投资组合的资产规模,我们集N= 15、16、17、18、19、20。表3显示的最小、最大、平均,平均精度(平均精度=意思/N)的筛选高回报的股票数量从2017年第一季度到2019年第四季度使用不同的模型。我们发现GA-ELM优于其它模型在几乎所有情况下的最小值,最大值,意思是,平均精度。具体来说,当高回报的股票的数量N= 15、16、17、18、19日和20日,最小值,最大值,意思是,平均精度得到GA-ELM几乎一致的最高。例如,当N= 15,GA-ELM可以屏幕6.25高回报的股票平均,而榆树屏幕5.25。的平均精度GA-ELM是榆树的高出6.67%。比较结果表明,使用GA优化榆树可以有效改善榆树的性能。此外,相比之下,传统的机器学习模型,即。SVR,深度学习方法,即。,DNN and LSTM, the average number of high-return stocks obtained by GA-ELM separately increase by 0.58, 1.17, and 0.83, and the corresponding average accuracy also improves by 3.89%, 7.78%, and 5.56%. Accordingly, the superiority of the GA-ELM is further confirmed. When the number of high-return stocks等于其他值,即。,16,17,18,19,or 20, we obtain similar conclusions, which indicate that the GA-ELM model has good generalizability. Therefore, the GA-ELM is a promising tool for use in the practice of stock screening.
3.4。斯里兰卡投资组合构建
在本节中,筛选优质股票输入GMV-ESG和MSPR-ESG模型构建斯里兰卡的投资组合。提出的模型与几种不同模型在不同组合基数的维度返回(年回报率),风险调整后的回报(夏普比率),环境、社会和治理(环境、社会和治理分数)。
3.4.1。大纲的替代模型
测试提出的性能模型,介绍了两种可供选择的模型进行比较:
(1)替代模型我:SSRI-GMV(或SSRI-MSPR)。这些模型代表传统SRI策略不考虑股票的回报潜力在筛选阶段,不把环境、社会和治理因素引入投资组合优化模型。在这些模型中,low-ESG股票首先排除使用环境、社会和治理筛查。接下来,保持投资组合基数与拟议的模型一致,相同数量的股票在拟议的模型选择的筛选股票。然后,GMV模型(或MSPR模型)是用来构建斯里兰卡的投资组合。
(2)替代模型II: DSSRI-I(基于其他机器学习模型)(或DSSRI-II(基于其他机器学习模型)。介绍这些模型的目的是证明由不同机器学习预测模型筛选结果会影响斯里兰卡投资组合的表现。具体地说,我们首先排除宇宙与low-ESG分数从投资一些股票。随后,一些先进的机器学习模型,如榆树,SVR,款,LSTM,分别采用预测股票价格,从而进一步筛选股票高回报的潜力。最后,提出模型,GMV-ESG模型(或MSPR-ESG模型)是用来构建斯里兰卡的投资组合。
3.4.2。我比较替代模型
(1)比较的DSSRI-I SSRI-GMV。表4报告的年回报率、夏普比率和环境、社会和治理得分提出DSSRI-I和SSRI-GMV在不同组合基数(C= 15、16、17、18、19、20)。两种模型的性能比较结果如图所示2。很明显,该DSSRI-I提供最高价值的三个评价指标。如果我们把投资组合基数C= 15为例,年回报率,夏普比率,和SSRI-GMV的环境、社会和治理得分是0.0444,0.3198,和55.3456,分别。相应地,这些指标提出DSSRI-I是0.0982,0.4930,和61.9809,代表增加0.0538,0.1733和6.6353。对于其他组合基数(C= 16、17、18、19和20),提出DSSRI-I仍然产生良好的性能评价指标。具体地说,与SSRI-GMV相比,提出的年回报率DSSRI-I增加0.0320 - -0.0428的范围内,夏普比率增加0.0800 - -0.1510的范围内,环境、社会和治理分数增加5.3184 - -6.3273的范围。此外,在投资组合基数C= 17日提出DSSRI-I提供最高的年回报率和夏普比率为0.1113和0.5517,分别。得分最高的环境、社会和治理是由该模型组合基数为61.9809C= 15。总之,该DSSRI-I能比SSRI-GMV产生更好的环境、社会和治理和财务表现。
(一)
(b)
(c)
(2)比较所提出的DSSRI-II SSRI-MSPR。的年回报率、夏普比率和环境、社会和治理分数的两个模型如表所示5。图3比较了两种模型的性能。显然,DSSRI-II评价指标高于SSRI-MSPR在不同组合基数(C= 15、16、17、18、19、20)。例如,提出的年化回报率DSSRI-II是0.0882,0.0780,0.1057,0.0856,0.0905,和0.0887组合基数C= 15到20,代表涨幅在63.02%,67.76%,94.95%,82.01%,62.13%,65.61% SSRI-MSPR。夏普比率,DSSRI-II执行类似。具体来说,最好的夏普比率(0.5339)与投资组合基数DSSRI-II获得的C= 17。相比之下,最好的夏普比率SSRI-MSPR是0.3750。当组合基数C= 15,DSSRI-II生成最高的环境、社会和治理得分为62.0703分,高于11.50%的最佳得分SSRI-MSPR,为55.6684。简而言之,该DSSRI-II优于SSRI-MSPR的年回报率,夏普比率,环境、社会和治理分数。
(一)
(b)
(c)
3.4.3。替代模型II比较
(1)比较提出DSSRI-I和DSSRI-I(基于其他机器学习模型)。在本节中,我们对比的提议DSSRI-I DSSRI-I (ELM) DSSRI-I (SVR) DSSRI-I(款),和DSSRI-I (LSTM)来验证返回的优越性可能基于GA-ELM筛查。年回报率,夏普比率和环境、社会和治理分数的模型在不同组合基数C= 15、16、17、18、19、20展示在表6。比较不同评价指标的模型显示在图4。首先,我们比较的提议DSSRI-I DSSRI-I (ELM)。如表所示6和图4当投资组合基数C= 15日提出的年回报率DSSRI-I为0.0708高于DSSRI-I (ELM)。提出DSSRI-I的夏普比率为0.4930,高于117.32%的DSSRI-I (ELM)。环境、社会和治理得分最高(61.9809)还提出DSSRI-I获得的。对于其他组合基数(C= 16、17、18、19和20),得到了相似的结论。一般来说,该模型优于DSSRI-I (ELM)的年回报率,夏普比率,环境、社会和治理分数,从而再次证明,GA优化可以提高性能的榆树。随后,该DSSRI-I与斯里兰卡投资组合模型相比,基于双重检验考虑其他先进的机器学习模型(SVR,款,LSTM),即DSSRI-I (SVR) DSSRI-I(款),和DSSRI-I (LSTM)。从表6和图4,我们可以发现,最高年化回报率在几乎所有的特定组合基数水平DSSRI-I获得的。当投资组合基数C= 17,18,19,20日提议DSSRI-I提供最高的夏普比率为0.5517,0.4952,0.5049,和0.5222,分别。提出DSSRI-I生成第二夏普比率与投资组合基数C= 15和16,DSSRI-I后(款)。DSSRI-I生成环境、社会和治理分数最高的组合基数C= 15到20值为61.9809,61.8525,61.9619,61.5369,61.2844,和60.9385,分别。一般来说,相对于其他斯里兰卡投资组合模型基于先进的机器学习模型,提出DSSRI-I呈现明显的优势在年回报率和环境、社会和治理绩效和有竞争力的夏普比率性能。因此,提出了基于GA-ELM DSSRI-I能够改善环境、社会和治理和财务业绩的斯里兰卡的投资组合。
(一)
(b)
(c)
(2)比较提出DSSRI-II和DSSRI-II(基于其他机器学习模型)。如表所示7和图5,该DSSRI-II表现良好的年回报率,夏普比率,环境、社会和治理分数。具体来说,年回报率,提出DSSRI-II获得最高的价值在几乎所有的特定组合基数。然而,一个例外是当组合基数C= 16,在这种情况下,DSSRI-II(款)收益率最高的0.1024年回报率。拟议中的DSSRI-II产量第二年回报率为0.0780。提出DSSRI-II生成第二夏普比率在投资组合基数C= 15、16、18和19和夏普比率最高的投资组合基数C= 17和20。对环境、社会和治理分数,组合基数C= 15为例,提出了模型的环境、社会和治理分数是62.0703,代表了一种进步3.76%,6.02%,7.28%,和4.87% DSSRI-II (ELM) DSSRI-II (SVR) DSSRI-II(款),和DSSRI-II (LSTM),分别。其他组合基数水平,提出DSSRI-II始终领先于比较模型在环境、社会和治理分数至少2.30%。总之,类似于DSSRI-I, DSSRI-II可以提供良好的年回报率和环境、社会和治理绩效以及竞争力的夏普比率性能相比,DSSRI-II的性能(基于其他机器学习模型)。
(一)
(b)
(c)
4所示。结论和未来的工作
在这项工作中,我们提出两个斯里兰卡投资组合构建的模型称为DSSRI-I DSSRI-II基于机器学习、智能算法,和投资组合理论。模型由两个阶段组成:股票筛选和资产配置。在股票筛选阶段,开发的双重检验机制生成的输入斯里兰卡的投资组合。具体来说,宇宙low-ESG股票首先被排除在投资保证资产符合SRI投资者的社会价值观。然后,榆树模型介绍了GA优化预测剩余的股票价格,从而进一步屏幕高回报的潜力股。在资产配置阶段,扩展GMV模型(或延长MSPR模型)介绍了考虑环境、社会和治理因素来确定投资比例从第一阶段筛选的股票。性能测试方面,我们与其他模型相比,该模型在年回报率方面,夏普比率,环境、社会和治理分数。结论显示:(1)与传统SSRI-GMV(或SSRI-MSPR),该DSSRI-I(或DSSRI-II)执行更好的环境、社会和治理和金融措施。(2)提出DSSRI-I(或DSSRI-II)可以获得更高的年回报率和环境、社会和治理分数比另一种模型(即基于先进的机器学习模型。DSSRI-I (ELM)(或DSSRI-II (ELM)), DSSRI-I (SVR)(或DSSRI-II (SVR)), DSSRI-I(款)(或DSSRI-II(款),和DSSRI-I (LSTM)(或DSSRI-II (LSTM))。(3)提出的模型可以生成一个竞争性的夏普比率性能相比,上述模型。 Therefore, considering the superior performance of the proposed models, they can be regarded as effective tools to construct SRI portfolios.
在未来,我们的工作可能会集中在以下三个方面。首先,其他股票市场在不同的政治、经济和社会环境应该研究来测试该模型的普遍性。其次,提出了模型的性能可以进一步分析通过引入各种智能算法来优化榆树。最后,该模型可以扩展到一个通用框架,投资组合构建基于投资者的个人偏好。
缩写
| 人工神经网络: | 人工神经网络 |
| 英国石油公司: | 反向传播 |
| 款: | 深层神经网络 |
| DSSRI: | 双重检验社会责任投资 |
| 榆树: | 极端的学习机器 |
| 环境、社会和治理: | 环境、社会和公司治理 |
| 遗传算法: | 遗传算法 |
| GMV: | 全球最小方差 |
| LSTM: | 长时间的短期记忆 |
| 厂商建议零售价: | 夏普比率最大 |
| MV: | 均值-方差 |
| SLFN: | 单隐层前馈神经网络 |
| 斯里兰卡: | 社会责任投资 |
| SVR: | 支持向量回归。 |
数据可用性
的数据支持本研究的发现可以从相应的作者在合理的请求。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作是研究生科技创新基金的首都经济贸易大学,中国。