التحسين المحدب الآني مع الذاكرة للمحافظ المرتدة نحو المتوسط
الملخص
يوسع هذا العمل التعلم الآني مع الذاكرة من إطار الخبراء إلى التحسين المحدب الآني العام. وينمذج الإطار قرارات تعتمد خسائرها على تسلسل من الأفعال السابقة، ملتقطًا القيود الزمنية التي قد يغفلها التحسين الاعتيادي لكل فترة. وتعرض الورقة خوارزميتين تهدفان إلى تحقيق ندم منخفض أمام خصم تتضمن خسائره الذاكرة.
تُطبق إحدى الطريقتين على الخسائر المستمرة وفق ليبشيتز، ويُذكر أنها تحقق حدود ندم مثلى للحالات المحدبة والمحدبة بشدة. أما الأخرى فتتعامل مع فئة أوسع من الخسائر المحدبة من دون اشتراط ليبشيتز، وتحقق أيضًا حدود ندم مثلى مقابل تعقيد أكبر في التنفيذ. ويستخدم التطبيق المالي هذه الطرق لبناء محافظ مرتدة نحو المتوسط، رابطًا إطار التعلم بالمراجحة الإحصائية. ويورد المقتطف ضمانات نظرية وتطبيقًا، لكنه لا يقدم بيانات المحافظ أو تكاليف التداول أو تفاصيل التنفيذ أو أرقام الأداء التجريبي؛ لذا لا يمكن الحكم على الفاعلية العملية من هذا الوصف وحده.
الأفكار الرئيسية
- يأخذ التحسين المحدب الآني مع الذاكرة القيود الزمنية في القرارات المتتابعة في الحسبان.
- تقترح الورقة خوارزميتين منخفضتي الندم للخسائر الخصومية المعتمدة على الذاكرة.
- تغطي الخوارزمية الأولى خسائر ليبشيتز، بما فيها الحالات المحدبة والمحدبة بشدة.
- تغطي الخوارزمية الثانية الخسائر المحدبة من دون اشتراط الاستمرارية وفق ليبشيتز، لكنها أعقد تنفيذًا.
- يُطبق الإطار على بناء محافظ مرتدة نحو المتوسط للمراجحة الإحصائية.
الوسوم
النص الكامل
# Online Convex Optimization Against Adversaries with Memory and Application to Statistical Arbitrage # Online Convex Optimization Against Adversaries with Memory and Application to Statistical Arbitrage The framework of online learning with memory naturally captures learning problems with temporal constraints, and was previously studied for the experts setting. In this work we extend the notion of learning with memory to the general Online Convex Optimization (OCO) framework, and present two algorithms that attain low regret. The first algorithm applies to Lipschitz continuous loss functions, obtaining optimal regret bounds for both convex and strongly convex losses. The second algorithm attains the optimal regret bounds and applies more broadly to convex losses without requiring Lipschitz continuity, yet is more complicated to implement. We complement our theoretic results with an application to statistical arbitrage in finance: we devise algorithms for constructing mean-reverting portfolios.
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.