Học bằng kernel cho chiến lược giao dịch trung bình-phương sai động

Tóm tắt

Bài viết trình bày một phương pháp dựa trên kernel để xây dựng chiến lược giao dịch động theo mục tiêu trung bình-phương sai. Phương pháp biểu diễn chiến lược dưới dạng hàm trong không gian Hilbert tái tạo kernel, cho phép quyết định phụ thuộc vào lịch sử tín hiệu thị trường thay vì chỉ trạng thái hiện tại. Đây là cách tiếp cận linh hoạt cho các bài toán danh mục khi động lực tài sản hoặc tín hiệu dự báo phụ thuộc vào thời gian.

Khuôn khổ được so sánh với phương pháp dựa trên chữ ký và các cách tiếp cận Markov cổ điển. Trong các ví dụ dữ liệu tổng hợp và dữ liệu thị trường, hai cách tiếp cận phi Markov đều được báo cáo là đạt kết quả tốt hơn đáng kể khi có sự phụ thuộc theo thời gian. Các lựa chọn đặc trưng kernel có thể gồm chữ ký ngẫu nhiên hóa hoặc lớp mạng nơ-ron, trong khi phương pháp vẫn giữ được nghiệm dạng đóng thay vì dựa vào tối ưu hóa theo gradient. Phần trích dẫn không nêu bộ dữ liệu, thước đo, quy mô hay độ vững chắc của mức cải thiện được báo cáo.

Ý chính

• Phương pháp tham số hóa chính sách giao dịch dưới dạng hàm trong không gian Hilbert tái tạo kernel.
• Chiến lược phụ thuộc vào lịch sử có thể xử lý các phụ thuộc theo thời gian mà phương pháp Markov có thể bỏ sót.
• Bài viết so sánh học bằng kernel với chiến lược dựa trên chữ ký và cách tiếp cận Markov cổ điển.
• Nghiên cứu báo cáo kết quả tốt hơn trong các ví dụ dữ liệu tổng hợp và dữ liệu thị trường khi có phụ thuộc theo thời gian.
• Khuôn khổ cung cấp nghiệm dạng đóng và cách nhúng đặc trưng linh hoạt.

Thẻ

# 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.

Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0

Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.