متحرک اوسط ویرینس ٹریڈنگ اسٹریٹیجیز کے لیے کرنل لرننگ

خلاصہ

یہ مضمون اوسط ویرینس مقصد کے تحت متحرک ٹریڈنگ اسٹریٹیجیز بنانے کا کرنل پر مبنی طریقہ پیش کرتا ہے۔ اس میں اسٹریٹیجیز کو ری پروڈیوسنگ کرنل ہلبرٹ اسپیس کے افعال کے طور پر ظاہر کیا جاتا ہے، جس سے فیصلے صرف موجودہ حالت کے بجائے منڈی کے اشاروں کی تاریخ پر منحصر ہو سکتے ہیں۔ یہ پورٹ فولیو کے مسائل کے لیے ایک لچکدار طریقہ فراہم کرتا ہے، جب اثاثوں کی حرکیات یا پیش گوئی کے اشاروں میں زمانی انحصار ہو۔

اس فریم ورک کا موازنہ دستخط پر مبنی طریقے اور کلاسیکی مارکوفی طریقوں سے کیا گیا ہے۔ مصنوعی اور منڈی کے ڈیٹا کی مثالوں میں بتایا گیا ہے کہ زمانی انحصار موجود ہونے پر دونوں غیر مارکوفی طریقے نمایاں طور پر بہتر کارکردگی دکھاتے ہیں۔ کرنل خصوصیات میں بے ترتیب دستخط یا نیورل نیٹ ورک تہیں شامل ہو سکتی ہیں، جبکہ یہ طریقہ گریڈینٹ پر مبنی آپٹیمائزیشن کے بجائے بند صورت حل برقرار رکھتا ہے۔ اقتباس میں ڈیٹا سیٹ، پیمانے یا رپورٹ کردہ فائدے کی مقدار اور مضبوطی بیان نہیں کی گئی۔

اہم خیالات

• یہ طریقہ ٹریڈنگ پالیسیوں کو ری پروڈیوسنگ کرنل ہلبرٹ اسپیس کے افعال کے طور پر پیرامیٹرائز کرتا ہے۔
• تاریخ پر منحصر اسٹریٹیجیز ایسے زمانی انحصار سنبھال سکتی ہیں جو مارکوفی طریقوں سے رہ جائیں۔
• مضمون کرنل لرننگ کا موازنہ دستخط پر مبنی اسٹریٹیجیز اور کلاسیکی مارکوفی طریقوں سے کرتا ہے۔
• زمانی انحصار کی موجودگی میں مصنوعی اور منڈی کے ڈیٹا کی مثالوں میں بہتر کارکردگی کی اطلاع دی گئی ہے۔
• فریم ورک بند صورت حل اور لچکدار فیچر ایمبیڈنگز فراہم کرتا ہے۔

ٹیگز

# 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.

ماخذ کا حوالہ دیتے ہوئے مکمل متن دکھایا گیا ہے، ماخذ کے لائسنس کے تحت۔ لائسنس: abstract CC0

یہ خلاصہ اصل ماخذ سے Stratmill کے تحقیقی ایجنٹ نے لکھا ہے؛ یہ ماخذ کی نقل نہیں۔