这篇论文提出了一种基于强化学习（RL）的数据驱动方法——AI Shrinkage，用于优化协方差矩阵估计中的收缩强度（shrinkage intensity）。该方法适用于线性和非线性收缩估计，相比传统基于独立同分布（i.i.d.）假设的收缩估计器表现更优。通过强化学习代理动态调整收缩强度，AI Shrinkage能自动修正传统方法在收缩强度上的低估偏差，并根据市场环境自适应优化。实证研究表明，该方法在高维情境下显著降低了全局最小方差（GMV）组合的样本外风险，尤其在市场波动时期表现突出。此外，AI Shrinkage能灵活适应带约束的投资组合优化，解决了传统方法因忽略约束隐含的收缩效应而导致的次优配置问题。

#######################

欢迎参加净值还在水上微信群：本群旨在成为一个高质量的量化知识共享圈。我们只聚焦高价值的干货分享，期待大家能在这里一起交流、一起成长。

为保证群的纯粹性和交流质量，我们将严格审核入群身份。