我们应用强健优化和机器学习技术，开发了数据驱动的资产管理模型，这些模型不需要参数估计，相对稳定且对随机市场环境不敏感。
传统的财富管理是专有的和昂贵的，通常只对高资产净值的个人开放。技术支持的财富管理，例如机器人顾问，大大降低了成本，并且既具有包容性又可扩展，因此具有巨大的社会效益和商业潜力。
大多数经典的资产管理模型都是Merton的期望效用最大化模型和Markowitz的均值-方差模型的变体，但这些模型存在重大缺陷。首先，它们的解对关键参数，即股票的平均值和协方差矩阵非常敏感。其次，在实践中，真实的概率分布是未知的，因此必须求助于均值和协方差矩阵的实证版本。我们预测，我们的数据驱动的资产管理模型将提供更准确的市场环境图像。
