Обучение с ядрами для динамических средне-дисперсионных торговых стратегий

Сводка

В статье представлен метод на основе ядер для построения динамических торговых стратегий со средне-дисперсионным критерием. Стратегии представляются функциями в воспроизводящем ядерном гильбертовом пространстве, благодаря чему решения могут зависеть от истории рыночных сигналов, а не только от текущего состояния. Это гибкий подход к задачам управления портфелем, когда динамика активов или прогнозные сигналы зависят от времени.

Метод сравнивается с подходом на основе сигнатур и классическими марковскими методами. В примерах на синтетических и рыночных данных сообщается, что оба немарковских подхода значительно лучше работают при наличии временных зависимостей. В качестве ядерных признаков можно использовать рандомизированные сигнатуры или слои нейронных сетей; при этом метод сохраняет решения в замкнутом виде и не опирается на градиентную оптимизацию. Во фрагменте не указаны наборы данных, метрики, величина и устойчивость заявленного выигрыша.

Ключевые идеи

• Метод задаёт торговые правила как функции в воспроизводящем ядерном гильбертовом пространстве.
• Стратегии, зависящие от истории, позволяют учитывать временные зависимости, которые могут упускать марковские методы.
• В статье обучение с ядрами сравнивается со стратегиями на основе сигнатур и классическими марковскими подходами.
• При наличии временной зависимости авторы сообщают о более высоких результатах на синтетических и рыночных данных.
• Метод предлагает решения в замкнутом виде и гибкие представления признаков.

Теги

# 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.

Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0

Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.