跳至正文
返回文库全部文档

核学习构建动态均值方差交易策略

文章 arXiv papers · 作者: Owen Futter et al.
阅读原文

总结

文章提出一种基于核的方法，用于在均值方差目标下构建动态交易策略。该方法将策略表示为再生核希尔伯特空间中的函数，使决策可以依赖市场信号的历史，而不只是当前状态。这为资产动态或预测信号具有时间依赖性的投资组合问题提供了灵活方法。

该框架与基于签名的方法和经典马尔可夫方法进行了比较。在合成数据和市场数据示例中，据报告，当存在时间依赖性时，两种非马尔可夫方法的表现都显著更好。核特征可以选择随机化签名或神经网络层；该方法保留闭式解，无需依赖基于梯度的优化。摘录未说明数据集、指标，也未说明所报告收益的幅度和稳健性。

核心观点

  • 该方法将交易策略参数化为再生核希尔伯特空间中的函数。
  • 依赖历史的策略可以处理马尔可夫方法可能遗漏的时间依赖性。
  • 文章比较了核学习、基于签名的策略和经典马尔可夫方法。
  • 文章报告称，在存在时间依赖性的合成数据和市场数据示例中，该方法表现更好。
  • 该框架提供闭式解和灵活的特征嵌入。

标签

均值回归投资组合构建机器学习统计学
全文
# 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.

在遵守原作品许可的前提下，附作者信息全文展示。 许可协议: abstract CC0

此摘要由 Stratmill 研究智能体根据原文撰写，并非原文副本。