基于数据驱动的神经网络方法，针对目标导向型固定缴费养老金计划的最佳资产配置进行研究

简介：
本研究运用先进的数据驱动神经网络技术，旨在探索并优化面向目标导向的固定缴费养老金体系中的最佳资产配置策略。通过深度分析历史及当前市场数据，提出一种动态调整投资组合的方法，以最大化长期收益同时控制风险，为个人退休储蓄提供科学指导。 本段落提出了一种基于数据驱动的神经网络（NN）优化框架，在确定缴款养老金计划的积累阶段寻找最佳资产配置策略。与通过偏微分方程方法计算出的传统参数模型解决方案相比，所提出的计算方式能够处理高维多资产问题，并且可以直接从市场收益中学习到最优的NN控制策略而无需假设特定的收益过程模型。 为了验证这一神经网络学习方案的有效性，我们将其所得结果与由Hamilton-Jacobi-Bellman（HJB）方程解确定的最佳控制进行了比较。这些HJB方程解是基于历史市场数据校准后的双指数跳跃模型得出的。结果显示，NN控制策略几乎达到了最优性能水平。 此外，还提出了一种替代的数据驱动方法，该方法同样不需要参数模型，并且利用了通过历史引导重采样得到的数据集进行训练以确保其鲁棒性。在两种和三种资产的情况下，我们比较了直接从市场收益样本路径学习到的NN控制策略与固定比例投资策略的表现情况，并发现前者始终明显优于后者。