Số 225 | Tháng 12/2024
Áp dụng kiểm định chéo để cải thiện phương pháp Lasso dạng đồ thị trong lựa chọn danh mục đầu tư tối ưu
Nguyễn Minh Nhật, Nguyễn Đức Trung
Tóm tắt:
Nghiên cứu này tập trung vào việc cải thiện hiệu quả của phương pháp Lasso dạng đồ thị (Graphical Lasso) trong lựa chọn danh mục đầu tư (DMĐT) tối ưu thông qua kỹ thuật học máy áp dụng kiểm định chéo (Cross Validation - CV). Graphical Lasso, một công cụ mạnh mẽ trong việc ước lượng ma trận hiệp phương sai (MTHPS) để tối ưu hóa phân bổ tài sản, thường gặp khó khăn trong việc lựa chọn tham số điều chỉnh α, đòi hỏi kinh nghiệm từ người sử dụng. Bằng cách tích hợp kỹ thuật CV, nghiên cứu nhằm tự động hóa và tối ưu hóa quá trình này, cải thiện độ chính xác và tính ổn định của mô hình. Dữ liệu được thu thập từ Sở Giao dịch Chứng khoán Thành phố Hồ Chí Minh trong giai đoạn từ ngày 01/01/2019 đến ngày 31/12/2023. Kết quả cho thấy sự kết hợp giữa kỹ thuật CV và phương pháp Graphical Lasso (GraphicalLassoCV) không chỉ nâng cao hiệu suất đầu tư mà còn giảm thiểu rủi ro so với các phương pháp truyền thống, giúp xây dựng DMĐT tối ưu và mang lại giá trị thực tiễn cao cho nhà đầu tư.
Tài liệu tham khảo:
- Avagyan, V., Alonso, A. M., & Nogales, F. J. (2017). Improving the graphical lasso estimation for the precision matrix through roots of the sample covariance matrix. Journal of Computational and Graphical Statistics, 26(4), 865-872. https://doi.org/10.1080/10618600.2017.1340890.
- Avagyan, V., & Mei, X. (2022). Precision matrix estimation under data contamination with an application to minimum variance portfolio selection. Communications in Statistics-Simulation and Computation, 51(4), 1381-1400. https://doi.org/10.1080/03610918.2019.1668012.
- Ban, G. Y., El Karoui, N., & Lim, A. E. (2018). Machine learning and portfolio optimization. Management Science, 64(3), 1136-1154. https://doi.org/10.1287/mnsc.2016.2644.
- Bodnar, T., Parolya, N., & Schmid, W. (2018). Estimation of the global minimum variance portfolio in high dimensions. European Journal of Operational Research, 266(1), 371–390. https://doi.org/10.1016/j.ejor.2017.09.028.
- Clarke, R., De Silva, H., & Thorley, S. (2011). Minimum-variance portfolio composition. Journal of Portfolio Management, 37(2), 31. https://doi.org/10.3905/jpm.2011.37.2.031.
- Hallac, D., Park, Y., Boyd, S., & Leskovec, J. (2017). Network inference via the time-varying graphical lasso. In Proceedings of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 205-213). https://doi.org/10.1145/3097983.3098037.
- Husmann, S., Shivarova, A., & Steinert, R. (2021). Cross-validated covariance estimators for high-dimensional minimum-variance portfolios. Financial Markets and Portfolio Management, 1-44.
- Lee, T. H., & Seregina, E. (2023). Optimal portfolio using factor graphical lasso. Journal of Financial Econometrics. https://doi.org/10.1093/jjfinec/nbad011.
- Li, R. (2021). High-dimensional portfolio choice using graphical lasso (Doctoral dissertation, University of North Carolina at Chapel Hill). Carolina Digital Repository. https://doi.org/10.17615/0gy3-xa70.
- Millington, T., & Niranjan, M. (2017). Robust portfolio risk minimization using the graphical lasso. In Neural Information Processing: 24th International Conference, ICONIP 2017, Guangzhou, China, November 14-18, 2017, Proceedings, Part II 24 (pp. 863-872). Springer International Publishing.
- Mörstedt, T., Lutz, B., & Neumann, D. (2024). Cross validation based transfer learning for cross-sectional non-linear shrinkage: A data-driven approach in portfolio optimization. European Journal of Operational Research. https://doi.org/10.1016/j.ejor.2024.05.006.
- Murty, M. N., & Devi, V. S. (2015). Introduction to pattern recognition and machine learning (Vol. 5). World Scientific.
- Paskaramoorthy, A., van Zyl, T. L., & Gebbie, T. (2022, May). An Empirical Comparison of Cross-Validation Procedures for Portfolio Selection. In 2022 IEEE Symposium on Computational Intelligence for Financial Engineering and Economics (CIFEr) (pp. 1-10). IEEE. https://doi.org/10.1007/s10436-017-0301-4.
- Yuan, X., Yu, W., Yin, Z., & Wang, G. (2020). Improved large dynamic covariance matrix estimation with graphical lasso and its application in portfolio selection. IEEE Access, 8, 189179-189188. https://doi.org/10.1109/ACCESS.2020.3031192.
Applying Cross-Validation to Improve the Graphical Lasso Method in Optimal Portfolio Selection
Abstract:
This study focuses on improving the efficiency of the Graphical Lasso method in optimal portfolio selection through the machine learning technique Cross Validation (CV). Graphical Lasso, a powerful tool for estimating the covariance matrix to optimize asset allocation, often encounters difficulties in selecting the tuning parameter α, requiring user expertise. By integrating the CV technique, this study aims to automate and optimize this process, enhancing the model's accuracy and stability. Data was collected from the Ho Chi Minh City Stock Exchange during the period from 01/01/2019 to 31/12/2023. The results show that GraphicalLassoCV not only enhances investment performance but also reduces risk compared to traditional methods, helping to build an optimal portfolio and providing significant practical value for investors.