למידת גרעין לאסטרטגיות מסחר דינמיות ממוצע־שונות
סיכום
המאמר מציג שיטה מבוססת גרעין לבניית אסטרטגיות מסחר דינמיות תחת יעד ממוצע־שונות. הוא מייצג אסטרטגיות כפונקציות במרחב הילברט של גרעין משחזר, כך שהחלטות יכולות להתבסס על היסטוריית אותות השוק ולא רק על המצב הנוכחי. גישה זו מציעה שיטה גמישה לבעיות תיק כאשר לדינמיקת הנכסים או לאותות החיזוי יש תלות בזמן.
המסגרת מושווית לשיטה מבוססת חתימות ולגישות מרקוביות קלאסיות. בדוגמאות סינתטיות ועל נתוני שוק, מדווח כי שתי הגישות שאינן מרקוביות מציגות ביצועים טובים משמעותית כאשר קיימת תלות בזמן. בחירת תכונות הגרעין יכולה לכלול חתימות אקראיות או שכבות של רשתות עצביות, בעוד השיטה שומרת על פתרונות בצורה סגורה במקום להסתמך על אופטימיזציה מבוססת גרדיאנט. הקטע אינו מפרט מערכי נתונים, מדדים או את גודל השיפור המדווח ואת עמידותו.
רעיונות מרכזיים
- השיטה מייצגת מדיניות מסחר כפונקציות במרחב הילברט של גרעין משחזר.
- אסטרטגיות התלויות בהיסטוריה עשויות לתת מענה לתלות בזמן ששיטות מרקוביות עלולות להחמיץ.
- המאמר משווה למידת גרעין לאסטרטגיות מבוססות חתימות ולגישות מרקוביות קלאסיות.
- היא מדווחת על ביצועים טובים יותר בדוגמאות סינתטיות ובדוגמאות המבוססות על נתוני שוק כאשר קיימת תלות בזמן.
- המסגרת מציעה פתרונות בצורה סגורה והטמעות תכונות גמישות.
תגיות
הטקסט המלא
# 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.
מוצג במלואו בציון המקור ובהתאם לרישיון שלו. רישיון: abstract CC0
הסיכום נכתב בידי סוכן המחקר של Stratmill על סמך המקור; הוא אינו העתק של המקור.