Selección online de ventanas de cartera con costes de rotación

Resumen

Este artículo aborda la gestión de carteras cuando cambian las condiciones del mercado y no se conoce de antemano la ventana histórica útil. Propone un proceso de dos niveles: construir carteras con varios tamaños de ventana candidatos y luego combinarlas online tratando cada opción de ventana como un experto. Las ponderaciones de agregación se actualizan utilizando pérdidas que incluyen la rotación de la cartera, por lo que los cambios frecuentes tienen un coste explícito.

Los autores derivan cotas de arrepentimiento de seguimiento en horizonte finito que tienen en cuenta la rotación de la cartera combinada; el arrepentimiento estático se contempla como un caso particular. Con pérdidas y tasas de coste acotadas, un método Fixed Share ajustado adecuadamente alcanza asintóticamente un arrepentimiento de seguimiento nulo cuando el presupuesto de cambios crece de forma sublineal, mientras que Hedge aborda el caso estático. La descripción presenta garantías teóricas, no resultados de trading empíricos, y no especifica la regla de construcción de carteras, los datos de mercado ni la calibración práctica de costes.

Ideas clave

• Los tamaños candidatos de ventana histórica se tratan como expertos cuyas carteras se combinan online.
• Las ponderaciones de agregación responden a pérdidas que incluyen costes de rotación.
• El análisis establece límites para el arrepentimiento de seguimiento y tiene en cuenta la rotación de la cartera agregada.
• Fixed Share ofrece la garantía indicada para presupuestos de cambios sublineales con pérdidas y costes acotados.
• Hedge cubre el caso de arrepentimiento estático.

Etiquetas

# 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.

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.