Online-Auswahl von Portfolio-Zeiträumen mit Umschichtungskosten

Zusammenfassung

Dieses Paper befasst sich mit der Portfolioverwaltung bei wechselnden Marktbedingungen, wenn das geeignete historische Rückblickfenster nicht im Voraus bekannt ist. Es schlägt einen zweistufigen Prozess vor: Zunächst werden Portfolios mit mehreren möglichen Fenstergrößen erstellt. Dann werden diese Portfolios online kombiniert, wobei jede Fensterwahl als Experte behandelt wird. Die Aggregationsgewichte werden anhand von Verlusten aktualisiert, die den Portfolio-Umschlag einschließen, sodass häufige Änderungen explizite Kosten verursachen.

Die Autoren leiten Schranken für den Tracking-Regret über einen endlichen Zeithorizont her, die den Umschlag im kombinierten Portfolio berücksichtigen; statischer Regret ist ein Sonderfall. Bei begrenzten Verlusten und Kostensätzen erreicht eine passend abgestimmte Fixed-Share-Methode asymptotisch keinen Tracking-Regret, wenn das Umschaltbudget unterlinear wächst; Hedge deckt den statischen Fall ab. Die vorliegende Beschreibung liefert theoretische Garantien statt empirischer Handelsergebnisse und nennt weder die Portfolio-Konstruktionsregel noch Marktdaten oder eine praktische Kostenkalibrierung.

Kernaussagen

• Mögliche historische Zeitfenster werden als Experten behandelt, deren Portfolios online kombiniert werden.
• Die Aggregationsgewichte reagieren auf Verluste, die Umschichtungskosten enthalten.
• Die Analyse begrenzt den Tracking-Regret und berücksichtigt dabei den Umschlag des aggregierten Portfolios.
• Fixed Share liefert die angegebene Garantie bei unterlinearen Umschaltbudgets und begrenzten Verlusten und Kosten.
• Hedge deckt den Fall des statischen Regrets ab.

Schlagwörter

# Cost-Sensitive Online Window Size Selection for Portfolio Management


# Cost-Sensitive Online Window Size Selection for Portfolio Management









This paper investigates cost-sensitive online window size selection for portfolio management under changing market conditions. Specifically, we propose a two-level framework that constructs portfolios using candidate window sizes and dynamically aggregates them through online learning. By treating candidate window sizes as ``experts,'' we dynamically update their aggregation weights using turnover-inclusive losses. Moreover, we derive finite-horizon cost-sensitive tracking-regret bounds that account for turnover of the aggregated portfolio, with static regret as a special case. Under bounded losses and cost rates, suitably tuned Fixed Share achieves asymptotically no tracking regret for sublinear switching budgets, with Hedge covering the static case.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.