Tối ưu danh mục cặp có tương quan liên kết bằng kiểm soát ngẫu nhiên và học máy

Tóm tắt

Công trình này so sánh toán tài chính và học máy trong tối ưu hóa danh mục động gồm hai tài sản gắn kết, trên một khoảng thời gian hữu hạn và liên tục. Phương pháp toán tài chính sử dụng mô hình cointelation, nhằm kết hợp rủi ro ngắn hạn với cân bằng dài hạn, thay vì dựa vào tương quan cao hoặc đồng liên kết thường dùng trong giao dịch cặp. Chiến lược chuyển đổi linh hoạt giữa mục tiêu trung bình-phương sai và tiện ích lũy thừa; mục tiêu sau được xây dựng thành bài toán kiểm soát ngẫu nhiên và giải bằng số qua phương trình Hamilton–Jacobi–Bellman sử dụng phương pháp Deep Galerkin.

Phương pháp học máy sử dụng phân cụm để xác định các dải, sau đó tối ưu hóa trong những dải này. Trong các mô phỏng được tạo từ cùng mô hình cointelation, các tác giả báo cáo học máy có ưu thế hơn phương pháp toán tài chính. Bằng chứng này chỉ giới hạn ở dữ liệu do mô hình tạo ra theo khung giả định; phần trích dẫn không có xác thực bằng dữ liệu thị trường, thước đo hiệu quả hoặc chi tiết triển khai. Vì vậy, tài liệu không xác lập liệu ưu thế tương đối có thể áp dụng cho giao dịch thực hoặc các quy trình tạo dữ liệu khác hay không.

Ý chính

• Nghiên cứu so sánh toán tài chính và học máy trong danh mục động gồm hai tài sản gắn kết.
• Mô hình cointelation được thiết kế để thể hiện cả rủi ro ngắn hạn lẫn cân bằng dài hạn.
• Chiến lược toán tài chính chuyển đổi giữa phương pháp trung bình-phương sai và tiện ích lũy thừa.
• Bài toán tiện ích lũy thừa được giải bằng số bằng phương trình HJB và phương pháp Deep Galerkin.
• Phương pháp học máy dựa trên phân cụm vượt trội hơn cách tiếp cận toán tài chính trong các mô phỏng từ cùng mô hình.

Thẻ

# Portfolio Optimization for Cointelated Pairs: SDEs vs. Machine Learning


# Portfolio Optimization for Cointelated Pairs: SDEs vs. Machine Learning









With the recent rise of Machine Learning as a candidate to partially replace classic Financial Mathematics methodologies, we investigate the performances of both in solving the problem of dynamic portfolio optimization in continuous-time, finite-horizon setting for a portfolio of two assets that are intertwined. In Financial Mathematics approach we model the asset prices not via the common approaches used in pairs trading such as a high correlation or cointegration, but with the cointelation model that aims to reconcile both short-term risk and long-term equilibrium. We maximize the overall P&L with Financial Mathematics approach that dynamically switches between a mean-variance optimal strategy and a power utility maximizing strategy. We use a stochastic control formulation of the problem of power utility maximization and solve numerically the resulting HJB equation with the Deep Galerkin method. We turn to Machine Learning for the same P&L maximization problem and use clustering analysis to devise bands, combined with in-band optimization. Although this approach is model agnostic, results obtained with data simulated from the same cointelation model as FM give an edge to ML.

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.