提出了一种数据驱动的神经网络(NN)优化框架,以在确定缴款养老金计划的积累阶段确定最佳资产分配。 与通过偏微分方程方法计算的基于参数模型的解决方案相比,所提出的计算框架可以扩展到高维多资产问题。 更重要的是,所提出的方法可以直接从市场收益中确定最佳的NN控制,而无需为收益过程假设特定的参数模型。 我们通过将NN控制与由Hamilton-Jacobi-Bellman(HJB)方程的解决方案确定的最优控制进行比较,来验证所提出的NN学习解决方案。 HJB方程解基于已根据历史市场数据校准的双指数跳跃模型。 NN控制几乎达到最佳性能。 一种替代的数据驱动方法(不需要参数模型)是基于使用历史引导重采样数据集的。 通过使用不同于测试数据的块大小进行训练来检查鲁棒性。 在两种和三种资产情况下,我们都比较了从市场收益样本路径直接学习的NN控件的性能,并证明了它们始终明显优于固定比例策略。
1