انتخاب آنلاین پنجره سبد با هزینه گردش
خلاصه
این مقاله به مدیریت سبد در شرایط تغییر بازار می‌پردازد؛ زمانی که پنجره مناسب برای نگاه به داده‌های تاریخی از پیش معلوم نیست. فرایندی دومرحله‌ای پیشنهاد می‌کند: نخست سبدها با چند اندازه پنجره نامزد ساخته می‌شوند، سپس این سبدها به‌صورت آنلاین و با در نظر گرفتن هر انتخاب پنجره به‌عنوان یک متخصص ترکیب می‌شوند. وزن‌های تجمیع با استفاده از زیان‌هایی به‌روزرسانی می‌شوند که گردش سبد را هم در بر می‌گیرند؛ بنابراین تغییرات مکرر هزینه صریح دارد.
نویسندگان کران‌هایی برای پشیمانی ردیابی در افق محدود به دست می‌آورند که گردش سبد ترکیبی را در نظر می‌گیرند؛ پشیمانی ایستا حالت خاصی از آن است. با زیان‌ها و نرخ‌های هزینه محدود، روش Fixed Share با تنظیم مناسب و هنگامی که بودجه جابه‌جایی به‌صورت زیرخطی رشد می‌کند، در حد مجانبی پشیمانی ردیابی ندارد؛ روش Hedge نیز حالت ایستا را پوشش می‌دهد. توضیح ارائه‌شده تضمین‌های نظری را بیان می‌کند، نه نتایج تجربی معاملات، و قاعده ساخت سبد، داده‌های بازار یا کالیبراسیون عملی هزینه‌ها را مشخص نمی‌کند.
ایده‌های کلیدی
- اندازه‌های نامزد پنجره تاریخی، متخصصانی در نظر گرفته می‌شوند که سبدهایشان به‌صورت آنلاین ترکیب می‌شود.
- وزن‌های تجمیع به زیان‌هایی واکنش نشان می‌دهند که هزینه گردش را هم در بر دارند.
- تحلیل، پشیمانی ردیابی را با در نظر گرفتن گردش سبد تجمیع‌شده کران‌گذاری می‌کند.
- طبق تضمین بیان‌شده، روش Fixed Share با زیان‌ها و هزینه‌های محدود، بودجه جابه‌جایی زیرخطی را پوشش می‌دهد.
- روش Hedge حالت پشیمانی ایستا را پوشش می‌دهد.
برچسب‌ها
متن کامل
# 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.
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.