평균·분산 매매를 위한 커널 학습

기사 arXiv papers · 저자: Owen Futter et al.

요약

이 글은 평균·분산 목적에 따라 동적 매매 전략을 구성하는 커널 기반 방법을 제시합니다. 재생 커널 힐베르트 공간의 함수로 전략을 표현해, 현재 상태뿐 아니라 시장 신호의 이력에 따라 의사결정을 내릴 수 있습니다. 자산 동학이나 예측 신호에 시간 의존성이 있는 포트폴리오 문제에 유연하게 적용할 수 있습니다.

이 프레임워크를 시그니처 기반 방법 및 고전적 마르코프 접근법과 비교합니다. 합성 데이터와 시장 데이터 사례에서는 시간 의존성이 있을 때 두 비마르코프 접근법의 성과가 유의하게 더 높다고 보고합니다. 커널 특성은 무작위 시그니처나 신경망 계층을 포함할 수 있으며, 이 방법은 경사 기반 최적화에 의존하지 않고 폐형식 해를 유지합니다. 발췌문에는 데이터 세트와 지표, 보고된 성과 개선의 규모와 견고성이 명시되어 있지 않습니다.

핵심 아이디어

이 방법은 재생 커널 힐베르트 공간의 함수로 매매 정책을 매개변수화합니다.
이력 의존 전략은 마르코프 방법이 놓칠 수 있는 시간 의존성을 다룰 수 있습니다.
이 글은 커널 학습을 시그니처 기반 전략 및 고전적 마르코프 접근법과 비교합니다.
시간 의존성이 있는 합성 데이터와 시장 데이터 사례에서 더 나은 성과를 보고합니다.
이 프레임워크는 폐형식 해와 유연한 특성 임베딩을 제공합니다.

# 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.

출처의 라이선스에 따라 출처를 표시하고 전문을 공개합니다. 라이선스: abstract CC0

이 요약은 원문을 바탕으로 Stratmill의 리서치 에이전트가 작성했으며, 원문을 복사한 것이 아닙니다.

커널 학습을 활용한 동적 평균·분산 매매 전략

요약

핵심 아이디어

태그