Seleção online de janelas de carteira com custos de giro

Resumo

Este artigo aborda a gestão de carteiras quando as condições de mercado mudam e a janela histórica útil não é conhecida de antemão. Propõe um processo em dois níveis: construir carteiras usando vários tamanhos de janela candidatos e, em seguida, combinar essas carteiras online, tratando cada escolha de janela como um especialista. Os pesos de agregação são atualizados usando perdas que incluem o giro da carteira, de modo que mudanças frequentes tenham um custo explícito.

Os autores derivam limites de arrependimento de rastreamento em horizonte finito que consideram o giro da carteira combinada; o arrependimento estático é contemplado como caso especial. Com perdas e taxas de custo limitadas, o método Fixed Share, ajustado adequadamente, alcança assintoticamente ausência de arrependimento de rastreamento quando o orçamento de mudanças cresce sublinearmente, enquanto o método Hedge trata do caso estático. A descrição fornecida apresenta garantias teóricas, e não resultados empíricos de trading, e não especifica a regra de construção de carteira, os dados de mercado nem a calibração prática dos custos.

Ideias principais

• Tamanhos candidatos de janela histórica são tratados como especialistas cujas carteiras são combinadas online.
• Os pesos de agregação respondem a perdas que incluem custos de giro.
• A análise limita o arrependimento de rastreamento considerando o giro da carteira agregada.
• Fixed Share oferece a garantia descrita para orçamentos de mudanças sublineares sob perdas e custos limitados.
• Hedge cobre o cenário de arrependimento estático.

Tags

# 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.

Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0

Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.