اوسط کی طرف لوٹنے والے پورٹ فولیوز کے لیے یادداشت کے ساتھ آن لائن محدب اصلاح

خلاصہ

یہ کام ماہرین کے تناظر سے یادداشت کے ساتھ آن لائن لرننگ کو عمومی آن لائن محدب اصلاح تک بڑھاتا ہے۔ اس تناظر میں ایسے فیصلے ماڈل کیے گئے ہیں جن کے نقصانات ماضی کے اعمال کی ایک ترتیب پر منحصر ہوتے ہیں، یوں وقتی پابندیاں سامنے آتی ہیں جنہیں فی مدت کی عام اصلاح نظرانداز کر سکتی ہے۔ مقالہ ایسے حریف کے مقابلے میں کم پچھتاوا حاصل کرنے کے لیے دو الگورتھم پیش کرتا ہے جس کے نقصانات میں یادداشت شامل ہو۔

ایک طریقہ لپشٹز مسلسل نقصانات پر لاگو ہوتا ہے اور اسے محدب اور مضبوطی سے محدب دونوں صورتوں میں بہترین پچھتاوے کی حدیں حاصل کرنے والا بتایا گیا ہے۔ دوسرا طریقہ لپشٹز شرط کے بغیر محدب نقصانات کے زیادہ وسیع طبقے کو سنبھالتا اور بہترین پچھتاوے کی حدیں بھی دیتا ہے، مگر اسے نافذ کرنا زیادہ پیچیدہ ہے۔ مالیاتی اطلاق میں ان طریقوں سے اوسط کی طرف لوٹنے والے پورٹ فولیوز بنائے جاتے ہیں، یوں لرننگ فریم ورک شماریاتی آربیٹریج سے جڑتا ہے۔ اقتباس نظری ضمانتیں اور ایک اطلاق بتاتا ہے، مگر پورٹ فولیو ڈیٹا، ٹریڈنگ لاگت، نفاذ کی تفصیلات یا تجرباتی کارکردگی کے اعداد نہیں دیتا؛ لہٰذا عملی افادیت کا اس بیان سے فیصلہ نہیں ہو سکتا۔

اہم خیالات

• یادداشت کے ساتھ آن لائن محدب اصلاح مسلسل فیصلوں میں وقتی پابندیوں کا حساب رکھتی ہے۔
• مقالہ مخالف کے ان نقصانات کے لیے کم پچھتاوے والے دو الگورتھم تجویز کرتا ہے جو یادداشت پر منحصر ہوتے ہیں۔
• پہلا الگورتھم لپشٹز نقصانات، بشمول محدب اور مضبوطی سے محدب صورتوں، کا احاطہ کرتا ہے۔
• دوسرا الگورتھم لپشٹز تسلسل کی شرط کے بغیر محدب نقصانات سنبھالتا ہے، مگر اس کا نفاذ زیادہ پیچیدہ ہے۔
• یہ فریم ورک شماریاتی آربیٹریج کے لیے اوسط کی طرف لوٹنے والے پورٹ فولیوز بنانے پر لاگو کیا گیا ہے۔

ٹیگز

# Online Convex Optimization Against Adversaries with Memory and Application to Statistical Arbitrage


# Online Convex Optimization Against Adversaries with Memory and Application to Statistical Arbitrage









The framework of online learning with memory naturally captures learning problems with temporal constraints, and was previously studied for the experts setting. In this work we extend the notion of learning with memory to the general Online Convex Optimization (OCO) framework, and present two algorithms that attain low regret. The first algorithm applies to Lipschitz continuous loss functions, obtaining optimal regret bounds for both convex and strongly convex losses. The second algorithm attains the optimal regret bounds and applies more broadly to convex losses without requiring Lipschitz continuity, yet is more complicated to implement. We complement our theoretic results with an application to statistical arbitrage in finance: we devise algorithms for constructing mean-reverting portfolios.

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۔