Apprentissage par noyaux pour les stratégies de trading moyenne-variance

Résumé

L’article présente une méthode fondée sur les noyaux pour construire des stratégies de trading dynamiques selon un objectif moyenne-variance. Il représente les stratégies comme des fonctions dans un espace de Hilbert à noyau reproduisant, ce qui permet aux décisions de dépendre de l’historique des signaux de marché, et pas seulement de l’état actuel. Cette approche offre de la souplesse pour les problèmes de portefeuille lorsque la dynamique des actifs ou les signaux prédictifs dépendent du temps.

Le cadre est comparé à une méthode fondée sur les signatures et aux approches markoviennes classiques. Dans des exemples synthétiques et fondés sur des données de marché, les deux approches non markoviennes afficheraient des performances nettement supérieures en présence de dépendances temporelles. Les choix de caractéristiques des noyaux peuvent inclure des signatures aléatoires ou des couches de réseaux de neurones, tandis que la méthode conserve des solutions sous forme fermée au lieu de recourir à une optimisation par gradient. L’extrait ne précise ni les jeux de données, ni les métriques, ni l’ampleur et la robustesse des gains rapportés.

Idées clés

• La méthode paramètre les politiques de trading comme des fonctions dans un espace de Hilbert à noyau reproduisant.
• Les stratégies dépendant de l’historique peuvent traiter des dépendances temporelles que les méthodes markoviennes risquent de manquer.
• L’article compare l’apprentissage par noyaux aux stratégies fondées sur les signatures et aux approches markoviennes classiques.
• Il rapporte de meilleures performances dans des exemples synthétiques et sur données de marché en présence de dépendances temporelles.
• Le cadre offre des solutions sous forme fermée et des plongements flexibles des caractéristiques.

Étiquettes

# 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.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.