Выбор окна портфеля онлайн с издержками оборота

Сводка

В этой статье рассматривается управление портфелем в условиях меняющегося рынка, когда подходящая длина исторического окна заранее неизвестна. Предлагается двухуровневый процесс: сначала портфели строятся для нескольких возможных размеров окна, затем эти портфели объединяются в режиме онлайн, а каждый вариант окна рассматривается как эксперт. Веса объединения обновляются с учётом потерь, включающих оборот портфеля, поэтому частые изменения имеют явную стоимость.

Авторы выводят границы сожаления при отслеживании на конечном горизонте с учётом оборота объединённого портфеля; статическое сожаление рассматривается как частный случай. При ограниченных потерях и ставках издержек должным образом настроенный метод Fixed Share асимптотически сводит сожаление при отслеживании к нулю, если бюджет переключений растёт сублинейно; метод Hedge рассматривает статический случай. В представленном описании приводятся теоретические гарантии, а не эмпирические результаты торговли; правило формирования портфеля, рыночные данные и практическая калибровка издержек не указаны.

Ключевые идеи

• Варианты длины исторического окна рассматриваются как эксперты, чьи портфели объединяются в режиме онлайн.
• Веса объединения меняются с учётом потерь, включающих издержки оборота.
• В анализе устанавливаются границы сожаления при отслеживании с учётом оборота объединённого портфеля.
• При ограниченных потерях и издержках Fixed Share обеспечивает заявленную гарантию, если бюджет переключений растёт сублинейно.
• Hedge рассматривает случай статического сожаления.

Теги

# 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.

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.