Chọn cửa sổ danh mục trực tuyến có tính đến chi phí vòng quay

Tóm tắt

Bài viết nghiên cứu cách quản lý danh mục khi điều kiện thị trường thay đổi và chưa biết trước khoảng thời gian nhìn lại trong lịch sử nào là hữu ích. Bài viết đề xuất quy trình hai cấp: xây dựng danh mục với một số độ dài cửa sổ ứng viên, rồi kết hợp các danh mục đó trực tuyến bằng cách xem mỗi lựa chọn cửa sổ như một chuyên gia. Trọng số tổng hợp được cập nhật dựa trên các khoản lỗ có tính đến vòng quay danh mục, vì vậy việc thay đổi thường xuyên chịu một chi phí cụ thể.

Các tác giả suy ra các giới hạn hối tiếc theo dõi trong thời hạn hữu hạn, có tính đến vòng quay của danh mục tổng hợp; hối tiếc tĩnh được xem là trường hợp đặc biệt. Với mức lỗ và tỷ lệ chi phí bị chặn, phương pháp Fixed Share được điều chỉnh phù hợp đạt mức hối tiếc theo dõi tiệm cận bằng không khi ngân sách chuyển đổi tăng dưới tuyến tính, còn Hedge xử lý trường hợp tĩnh. Mô tả được cung cấp nêu các bảo đảm lý thuyết thay vì kết quả giao dịch thực nghiệm, đồng thời không cho biết quy tắc xây dựng danh mục, dữ liệu thị trường hoặc cách hiệu chỉnh chi phí thực tế.

Ý chính

• Các độ dài cửa sổ lịch sử ứng viên được xem như các chuyên gia, với danh mục của họ được kết hợp trực tuyến.
• Trọng số tổng hợp phản ứng với các khoản lỗ có tính đến chi phí vòng quay.
• Phân tích đưa ra giới hạn cho hối tiếc theo dõi đồng thời tính đến vòng quay của danh mục tổng hợp.
• Với ngân sách chuyển đổi tăng dưới tuyến tính và mức lỗ, chi phí bị chặn, Fixed Share đạt bảo đảm tiệm cận không có tracking regret như bài viết nêu.
• Hedge áp dụng cho trường hợp hối tiếc tĩnh.

Thẻ

# 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.

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.