یادگیری کرنل برای استراتژی‌های معاملاتی پویای میانگین‌واریانس

خلاصه

این مقاله روشی مبتنی بر کرنل برای ساخت استراتژی‌های معاملاتی پویا با هدف میانگین‌واریانس ارائه می‌کند. در این روش، استراتژی‌ها به‌صورت توابعی در فضای هیلبرت بازتولیدکننده کرنل نمایش داده می‌شوند؛ بنابراین تصمیم‌ها می‌توانند به تاریخچه سیگنال‌های بازار وابسته باشند، نه فقط به وضعیت فعلی. این روش برای مسائل سبدی که در آن‌ها پویایی دارایی‌ها یا سیگنال‌های پیش‌بینی‌کننده وابستگی زمانی دارند، رویکردی انعطاف‌پذیر فراهم می‌کند.

چارچوب با روشی مبتنی بر امضا و رویکردهای کلاسیک مارکوفی مقایسه می‌شود. گزارش شده است که در مثال‌های مصنوعی و داده‌های بازار، هر دو رویکرد غیرمارکوفی در حضور وابستگی زمانی عملکرد به‌مراتب بهتری دارند. انتخاب ویژگی‌های کرنل می‌تواند شامل امضاهای تصادفی یا لایه‌های شبکه عصبی باشد؛ درعین‌حال، روش جواب‌های فرم‌بسته را حفظ می‌کند و به بهینه‌سازی مبتنی بر گرادیان متکی نیست. چکیده مجموعه‌داده‌ها، سنجه‌ها یا اندازه و استحکام بهبودهای گزارش‌شده را مشخص نمی‌کند.

ایده‌های کلیدی

• این روش سیاست‌های معاملاتی را به‌صورت توابعی در فضای هیلبرت بازتولیدکننده کرنل پارامتردهی می‌کند.
• استراتژی‌های وابسته به تاریخچه می‌توانند وابستگی‌های زمانی‌ای را پوشش دهند که روش‌های مارکوفی ممکن است از دست بدهند.
• مقاله یادگیری کرنل را با استراتژی‌های مبتنی بر امضا و رویکردهای کلاسیک مارکوفی مقایسه می‌کند.
• گزارش شده است که در صورت وجود وابستگی زمانی، روش در مثال‌های مصنوعی و داده‌های بازار عملکرد بهتری دارد.
• این چارچوب جواب‌های فرم‌بسته و جاسازی‌های ویژگی انعطاف‌پذیر فراهم می‌کند.

برچسب‌ها

# 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.

با ذکر منبع و مطابق مجوز اثر، به‌طور کامل نمایش داده می‌شود. مجوز: abstract CC0

این خلاصه را عامل پژوهشی Stratmill بر پایه متن اصلی نوشته است؛ نسخه‌ای از اثر منبع نیست.