온라인 포트폴리오 기간 선택

기사 arXiv papers · 저자: Yi-Chen Liu et al.

요약

이 논문은 시장 상황이 바뀌고 유용한 과거 데이터를 참조하는 기간을 미리 알 수 없을 때의 포트폴리오 관리를 다룹니다. 두 단계 절차를 제안합니다. 여러 후보 기간으로 포트폴리오를 구성한 다음, 각 기간 선택을 전문가로 간주해 해당 포트폴리오를 온라인으로 결합합니다. 포트폴리오 회전율을 포함한 손실에 따라 결합 가중치를 갱신하므로 잦은 변경에는 명시적인 비용이 따릅니다.

저자들은 결합 포트폴리오의 회전율을 반영하는 유한 기간 추적 후회 상한을 도출하며, 정적 후회는 특수한 경우로 다룹니다. 손실과 비용률이 유계일 때 적절히 조정된 Fixed Share 방식은 전환 예산이 부분선형으로 증가하면 점근적으로 추적 후회가 없다는 보장을 달성하고, Hedge는 정적 상황을 다룹니다. 제공된 설명은 실증 트레이딩 결과가 아니라 이론적 보장을 제시하며, 포트폴리오 구성 규칙이나 시장 데이터, 실제 비용 보정 방법은 명시하지 않습니다.

핵심 아이디어

후보 과거 기간을 전문가로 보고 각 기간으로 구성한 포트폴리오를 온라인으로 결합합니다.
회전율 비용을 포함한 손실에 따라 결합 가중치를 조정합니다.
결합 포트폴리오의 회전율을 고려해 추적 후회의 상한을 분석합니다.
손실과 비용이 유계이고 전환 예산이 부분선형으로 증가하는 경우 Fixed Share가 명시된 보장을 제공합니다.
Hedge는 정적 후회 상황을 다룹니다.

# 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.

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

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

매매 회전 비용을 반영한 온라인 포트폴리오 기간 선택

요약

핵심 아이디어

태그