Aprendizaje con kernels para estrategias de trading dinámicas de media-varianza

Resumen

El artículo presenta un método basado en kernels para construir estrategias de trading dinámicas con un objetivo de media-varianza. Representa las estrategias como funciones en un espacio de Hilbert de kernels reproductores, lo que permite que las decisiones dependan del historial de señales del mercado y no solo del estado actual. Esto ofrece un enfoque flexible para problemas de cartera cuando la dinámica de los activos o las señales predictivas tienen dependencia temporal.

El marco se compara con un método basado en firmas y con enfoques markovianos clásicos. En ejemplos con datos sintéticos y de mercado, se informa de que ambos enfoques no markovianos obtienen resultados significativamente mejores cuando hay dependencias temporales. Las opciones de características del kernel pueden incluir firmas aleatorizadas o capas de redes neuronales, mientras que el método conserva soluciones cerradas en lugar de depender de la optimización basada en gradientes. El fragmento no especifica los conjuntos de datos, las métricas ni la magnitud o solidez de las mejoras comunicadas.

Ideas clave

• El método parametriza las políticas de trading como funciones en un espacio de Hilbert de kernels reproductores.
• Las estrategias que dependen del historial pueden abordar dependencias temporales que los métodos markovianos podrían pasar por alto.
• El artículo compara el aprendizaje con kernels con estrategias basadas en firmas y enfoques markovianos clásicos.
• Informa de mejores resultados en ejemplos con datos sintéticos y de mercado cuando hay dependencia temporal.
• El marco ofrece soluciones cerradas e incrustaciones flexibles de características.

Etiquetas

# 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.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.