Sélection en ligne de fenêtres de portefeuille avec coûts de rotation

Résumé

Cet article traite de la gestion de portefeuille lorsque les conditions de marché changent et que la fenêtre historique utile n’est pas connue à l’avance. Il propose un processus à deux niveaux : construire des portefeuilles à partir de plusieurs tailles de fenêtre candidates, puis combiner ces portefeuilles en ligne en traitant chaque choix de fenêtre comme un expert. Les poids d’agrégation sont mis à jour à partir de pertes qui incluent la rotation du portefeuille, de sorte que les changements fréquents ont un coût explicite.

Les auteurs établissent des bornes de regret de suivi à horizon fini qui tiennent compte de la rotation du portefeuille combiné ; le regret statique est un cas particulier. Avec des pertes et des taux de coût bornés, une méthode Fixed Share convenablement réglée atteint asymptotiquement un regret de suivi nul lorsque le budget de changements croît de façon sous-linéaire, tandis que Hedge traite le cas statique. La description fournie présente des garanties théoriques plutôt que des résultats de trading empiriques, et ne précise ni la règle de construction de portefeuille, ni les données de marché, ni le calibrage pratique des coûts.

Idées clés

• Les tailles de fenêtre historique candidates sont traitées comme des experts dont les portefeuilles sont combinés en ligne.
• Les poids d’agrégation tiennent compte de pertes qui incluent les coûts de rotation.
• L’analyse borne le regret de suivi en tenant compte de la rotation du portefeuille agrégé.
• Fixed Share fournit la garantie annoncée pour des budgets de changements sous-linéaires, avec des pertes et des coûts bornés.
• Hedge couvre le cadre du regret statique.

Étiquettes

# 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.

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.