التعلم بالنواة لاستراتيجيات تداول ديناميكية بمتوسط وتباين

الملخص

تعرض المقالة طريقة قائمة على النواة لبناء استراتيجيات تداول ديناميكية وفق هدف المتوسط والتباين. وتمثل الاستراتيجيات دوالًا في فضاء هيلبرت ذي النواة المعاد إنتاجها، ما يسمح للقرارات بالاعتماد على تاريخ إشارات السوق لا على الحالة الراهنة وحدها. ويوفر ذلك نهجًا مرنًا لمسائل المحافظ عندما تعتمد ديناميكيات الأصول أو الإشارات التنبؤية على الزمن.

يقارن الإطارَ بطريقة قائمة على التوقيعات وبمناهج ماركوفية تقليدية. وفي أمثلة اصطناعية وأخرى ببيانات السوق، يُذكر أن كلا النهجين غير الماركوفِيَّين يحقق أداءً أفضل بكثير عند وجود اعتماد زمني. وقد تشمل خيارات خصائص النواة توقيعات عشوائية أو طبقات شبكات عصبية، مع احتفاظ الطريقة بحلول مغلقة الصيغة بدلًا من الاعتماد على التحسين القائم على التدرج. ولا يحدد المقتطف مجموعات البيانات أو المقاييس أو حجم المكاسب المذكورة ومتانتها.

الأفكار الرئيسية

• تصوغ الطريقة سياسات التداول بوصفها دوالًا في فضاء هيلبرت ذي النواة المعاد إنتاجها.
• يمكن للاستراتيجيات المعتمدة على التاريخ معالجة اعتماد زمني قد تفوته المناهج الماركوفية.
• تقارن المقالة التعلم بالنواة باستراتيجيات قائمة على التوقيعات ومناهج ماركوفية تقليدية.
• تذكر المقالة أداءً أفضل في الأمثلة الاصطناعية وببيانات السوق عند وجود اعتماد زمني.
• يوفر الإطار حلولًا مغلقة الصيغة وتمثيلات مرنة للخصائص.

الوسوم

# Kernel Learning for Mean-Variance Trading Strategies


# Kernel Learning for Mean-Variance Trading Strategies









In this article, we develop a kernel-based framework for constructing dynamic, pathdependent trading strategies under a mean-variance optimisation criterion. Building on the theoretical results of (Muca Cirone and Salvi, 2025), we parameterise trading strategies as functions in a reproducing kernel Hilbert space (RKHS), enabling a flexible and non-Markovian approach to optimal portfolio problems. We compare this with the signature-based framework of (Futter, Horvath, Wiese, 2023) and demonstrate that both significantly outperform classical Markovian methods when the asset dynamics or predictive signals exhibit temporal dependencies for both synthetic and market-data examples. Using kernels in this context provides significant modelling flexibility, as the choice of feature embedding can range from randomised signatures to the final layers of neural network architectures. Crucially, our framework retains closed-form solutions and provides an alternative to gradient-based optimisation.

يُعرض النص كاملًا مع نسبه إلى مصدره وفقًا لترخيصه. الترخيص: abstract CC0

أعدّ وكيل الأبحاث في Stratmill هذا الملخص استنادًا إلى المصدر الأصلي؛ وهو ليس نسخة منه.