对本文的总体评价为：（1-5分，5分最高）

可参考以下标准：

• 5分：佳作、开创性成果
• 4分：合格的优秀论文、可直接接收发表
• 3分：小改（Minor）后可接收
• 2分：需要大改（Major）
• 1分：价值有限，即使修改后亦不能发表
• 0分：本wiki不收录0分的论文。。。

有必要时，可以在文中任何地方插入你的签名。

Deep Portfolio Theory

1. J. B. Heaton, Conjecture LLC, jb@conjecturellc.com
2. N. G. Polson, Booth School of Business, University of Chicago, ngp@chicagobooth.edu
3. J. H. Witte, Department of Mathematics, University College London, and Conjecture LLC, jhw@conjecturellc.com

2016

Arxiv

Deep Learning, Artificial Intelligence, Efficient Frontier, Portfolio Theory

We construct a deep portfolio theory. By building on Markowitz’s classic risk-return trade-off, we develop a self-contained four-step routine of encode, calibrate, validate and verify to formulate an automated and general portfolio selection process. At the heart of our algorithm are deep hierarchical compositions of portfolios constructed in the encoding step. The calibration step then provides multivariate payouts in the form of deep hierarchical portfolios that are designed to target a variety of objective functions. The validate step trades-off the amount of regularization used in the encode and calibrate steps. The verification step uses a cross validation approach to trace out an ex post deep portfolio efficient frontier. We demonstrate all four steps of our portfolio theory numerically

Heaton, J. B., Nicholas G. Polson, and J. H. Witte. “Deep portfolio theory.” arXiv preprint arXiv:1605.07230 (2016).

1. https://arxiv.org/pdf/1605.07230.pdf
2. https://eyun.baidu.com/s/3hsXeDN2

1. 论文是关于什么的？[请提供该论文的简要摘要。]

2. 这篇论文的长处和短处是什么？[请以以下角度评述：（a）创新（研究问题、建模、方法等）；（b）相关性（研究问题、发现等）；（c）严谨性（适当的方法、分析的正确性等）]

研究问题、建模、方法等

研究问题、发现

适当的方法、分析的正确性等

3.如果有的话，潜在改进的主要地方是什么？[如果这些关键要求和建议能够被适当处理，请重点关注能使文章发表的关键要求和建议。如果你看到不可逾越的障碍，请清楚地描述你的担忧。如果能为编辑和作者提供具体有建设性的意见最好不过了，并在可能的情况下，提出可行的建议。同样，应避免含糊不清和/或含糊不清的批评。]

4.如果有的话，潜在改进的微小地方是什么？[再次，请具体说明。]

5.有没有机会做一项新的研究？