基于模式匹配的零成本投资组合学习

相似文件 换一批

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《Learning zero-cost portfolio selection with pattern matching》
---
作者：
Tim Gebbie and Fayyaaz Loonat
---
最新提交年份：
2016
---
英文摘要：
  We consider and extend the adversarial agent-based learning approach of Gy{\\\"o}rfi {\\it et al} to the situation of zero-cost portfolio selection implemented with a quadratic approximation derived from the mutual fund separation theorems. The algorithm is applied to daily sampled sequential Open-High-Low-Close data and sequential intraday 5-minute bar-data from the Johannesburg Stock Exchange (JSE). Statistical tests of the algorithms are considered. The algorithms are directly compared to standard NYSE test cases from prior literature. The learning algorithm is used to select parameters for agents (or experts) generated by pattern matching past dynamics using a simple nearest-neighbour search algorithm. It is shown that there is a speed advantage associated with using an analytic solution of the mutual fund separation theorems. It is argued that the expected loss in performance does not undermine the potential application to intraday quantitative trading and that when transactions costs and slippage are considered the strategies can still remain profitable when unleveraged. The paper demonstrates that patterns in financial time-series on the JSE can be systematically exploited in collective but that this does not imply predictability of the individual asset time-series themselves.
---
中文摘要：
我们考虑并扩展了Gy{“o}rfi{\\it et al}的基于对抗性代理的学习方法，以零成本投资组合选择的情况下，实现了一个从共同基金分离定理导出的二次近似。该算法被应用于约翰内斯堡证券交易所（JSE）每日采样的顺序开盘高收盘低收盘数据和连续的日内5分钟条形数据.对算法进行统计测试。这些算法直接与之前文献中的标准纽约证券交易所测试用例进行比较。该学习算法用于通过使用简单的最近邻搜索算法对过去的动态进行模式匹配来为代理（或专家）选择参数。结果表明，使用共同基金分离定理的解析解具有速度优势。有人认为，预期的业绩损失不会削弱日内定量交易的潜在应用，当考虑交易成本和下滑时，在无杠杆的情况下，策略仍然可以盈利。本文证明，JSE上的金融时间序列模式可以在集体中系统地利用，但这并不意味着单个资产时间序列本身的可预测性。
---
分类信息：

一级分类：Quantitative Finance        数量金融学
二级分类：Computational Finance        计算金融学
分类描述：Computational methods, including Monte Carlo, PDE, lattice and other numerical methods with applications to financial modeling
计算方法，包括蒙特卡罗，偏微分方程，格子和其他数值方法，并应用于金融建模
--
一级分类：Quantitative Finance        数量金融学
二级分类：Portfolio Management        项目组合管理
分类描述：Security selection and optimization, capital allocation, investment strategies and performance measurement
证券选择与优化、资本配置、投资策略与绩效评价
--
一级分类：Quantitative Finance        数量金融学
二级分类：Trading and Market Microstructure        交易与市场微观结构
分类描述：Market microstructure, liquidity, exchange and auction design, automated trading, agent-based modeling and market-making
市场微观结构，流动性，交易和拍卖设计，自动化交易，基于代理的建模和做市
--

---
PDF下载：
--> Learning_zero-cost_portfolio_selection_with_pattern_matching.pdf (5.28 MB)

2022-5-14 23:55:45 上传

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：投资组合 Quantitative Applications Transactions Optimization

使用模式匹配学习零成本投资组合选择Tim Gebbiea，b，Fayyaz Loonata，南非约翰内斯堡威特沃特斯兰大学计算机科学和应用数学基础学院，风险和信息摘要我们考虑并扩展了Gy–or Fi等人的基于对抗性代理的学习方法，以零成本投资组合选择的情况，该选择是通过从共同基金分离定理导出的二次近似实现的。该算法适用于约翰内斯堡证券交易所（JSE）每日采样的连续开盘-高点-低点-收盘数据和连续的日内5分钟条形数据。对算法进行了统计检验。这些算法与之前文献中的标准纽约证券交易所测试用例进行了直接比较。学习算法用于使用简单的最近邻搜索算法，通过模式匹配过去的动态来选择代理（或专家）的参数。这表明，使用共同基金分离定理的解析解具有速度优势。有人认为，预期的绩效损失不会削弱日内量化交易的潜在应用，并且在考虑交易成本和延误的情况下，在没有杠杆的情况下，策略仍然可以保持有利。本文证明，JSE上的金融时间序列模式可以在集体中系统地利用，但这并不意味着单个资产时间序列本身的可预测性。关键词：在线学习、模式匹配、投资组合控制、算法投资组合选择PACS:89.65。Gh，02.50。Ey2000 MSC:91-0491G10 91G80JEL:G11 G14 G17 0551。

引言序贯投资策略旨在通过收集过去行为和市场状态的信息，并利用这些信息在amanner的一系列资产中配置资本，从而促进投资组合控制决策，从而在长期内实现持续的财富最大化[14、17、22]。本文的目的不是为定量交易找到一个可证明的交易策略，而是通过在统计套利的无杠杆零成本投资组合选择领域提供一个简单、透明且易于恢复的例子来证明这种策略的存在。在这里，为了算法，我们没有对价格过程的性质做出具体的假设，但是，该方法广泛地基于先前的数学分析，使用价格增量的平稳性和平稳性假设，以便研究渐进增长率。尤其是要确保在对分布及其过程有充分了解的情况下，这种增长率有明确的最大值[14,17,18,22]。我们研究了这样一种观点，即通过使用模式匹配算法（模式未指定）结合学习算法，基于某种目的，如财富最大化或风险[13,14]，我们可以：电子邮件地址：tim。gebbie@wits.ac.za（蒂姆·格比）1。在自筹资金策略、零成本投资组合策略的背景下击败现金投资组合，以及2。我们可以击败市场上最好的股票。通过调查纽约证券交易所仅做多（完全投资）投资组合策略的每日抽样股票数据[14,17,15,16,20]，在之前的文献中已经证明了后者的情况。

在这里，我们考虑这两种情况：在南非股票市场约翰内斯堡证券交易所（JSE）的背景下，考虑零成本和完全投资的策略，并对每日抽样数据和日内数据进行分析。这里的方法不应与质疑技术分析的价值相混淆，在这种情况下，预先指定的模式（以某种库或一组规则的形式）被用来试图创造系统财富[11]。我们正在考虑探索现象学的问题，旨在将金融市场理解为一个复杂的适应系统[1,3]。更具体地说，我们正在考虑对复杂自适应系统产生的时间序列进行建模，这与非线性动力系统思维的背景更为密切相关[4]。与随机性相反，在金融时间序列数据中寻找结构证据的问题，但超出了长期记忆或典型风格化事实的证据[2]。

我们认为，我们并不是在试图证明特定模式的存在，这种模式是可预测的，而是在2021年7月12日提交的复制品中，一个有目的的代理人与股票市场使用模式匹配进行互动，可以产生几何布朗运动的典型零假设所无法预期的财富。我们并不是在寻找时间序列模型意义上的统计性质，而是在寻找时间序列中统计重复结构的证据，但没有掌握结构形式的先验能力，这可能是因为所讨论系统的非线性[8,10]。我们正在寻找结构的间接证据，通过证明有目的的代理人可以学习以实证的方式做出投资决策[3]，通过在数据中寻找优先的、未指定的和未知的模式，这些模式可以被有目的地、顺序地和系统地利用，创造超过随机性预期的财富，以及金融市场功能的相关规范观点。这本身并不新鲜，有大量文献试图探索这或那金融时间序列的可预测性。可以被认为是有争议的观点是，相当幼稚的计算学习代理可以在系统内创造财富，而不需要对系统本身有特殊的见解或理解。通过长期使用未杠杆化的标的股票组合，提取超过最佳股票表现的正增长率，这可以被视为建立了这样一种情况，即确实存在一些模式，或某种结构，几乎重复了思考时间，其发生可以被视为集体可探索的信息。

长期投资组合的情况就是如此[14,17,15,16,20]。我们为自我筹资战略展示了这一点；零成本投资组合。为了实现这一点，我们构建了基于模式匹配的顺序投资策略，并证明这些策略可以产生超过投资领域中最佳股票的正增长率，以及超过现金或无风险资产投资预期的大量零成本策略正增长率。我们没有解决投资者是否得到补偿的风险问题，甚至我们正在隔离的策略是否实际上是统计套利的问题，因为这些策略的长期波动率趋于零，并且在初始成本为零的情况下，表现为正的概率始终为正[12]。模式和组织的出现是复杂适应系统的基本属性[4]。考虑到噪声和非线性的复杂性[6,7]，在复杂动态系统[5]中直接寻找可预测性的口袋，作为建模复杂自适应系统[4]的近似方法，是出了名的困难。

通过一个学习标准，将目标与财富最大化结合起来，不管他从与D Hendricks和DWilcoxtive of risk的对话中获益，并选择模式，以实现既定目标，这是本文提倡的方法。正是在这个意义上，我们构建了一个框架，通过模式搜索（理想情况下是在线方式）提取可预测性的口袋（如果存在），以增加我们的代理人财富，而不考虑风险，但特别是在模式的形式总是未知、不断变化和动态的情况下，但在系统组件的收集历史中表示。在第2节中，我们介绍了基于agent的学习算法，作为之前工作[13,14,17,18]和[20,22]的扩展。本文的贡献如下：（i）算法以在线形式明确重写，以使近实时应用程序易于处理；（ii）算法经过修改，适用于使用共同基金分离定理[25,24]的零成本投资组合选择问题；（iii）算法经过显式测试，使用纽约证券交易所和JSE的合成数据、真实每日数据，JSE日内5分钟条形图数据。第3节描述了我们为产生零成本投资组合策略中使用的专家或代理而采用的方法。

算法参数在使用前不需要调整，而是留给在线学习算法来选择。在第3.6节中，我们考虑使用[22]开发的最近邻模式匹配策略的简单修改版本，针对可预测模式的策略。与学习算法一样，agentgeneration算法在原则上进行了修改：（i）支持在线和在线算法的使用，（ii）它们被明确用于零成本投资组合选择问题，以及（iii）投资组合优化已被二次解析近似所取代，以提高执行时间。为了实现真正的在线模式匹配，这些算法必须被以下两种方法所取代：一种是有效构建的查找表，另一种是混合方法，该方法结合了智能体性能历史的构建，然后是一种几乎在线的方法，该方法在数据连续实时到达时跨参数更新缓存的智能体性能历史。第4节概述了各种数值实验中使用的数据。数据是连续、均匀采样的，并采用开放-高-低-关闭（OHLC）数据的形式，这在第4.1节中有描述。在日常数据测试中使用开放、高、低和封闭数据组合可以用于日内研究，而封闭价格的使用是一个特例。第4.2节描述了合成数据以及算法测试策略。简而言之，采用simpleKolmogorov-Smirnov测试来评估4个测试案例的算法行为：1。SDC1：以零均值记录正常随机数据，其中不应存在学习，2。SDC2：对数正态随机数据，其中所有资产都具有相同的正均值，因此零成本投资组合（多头和空头头寸总和为零的投资组合）不可能进行基本学习，3。

SDC3：记录具有不同正均值的正态随机数据，以及4。SDC4：我们有对数正态数据，具有相同固定方差的正均值和负均值。综合数据用于理解和证明零成本投资组合策略（我们称之为主动投资组合）和完全投资投资组合策略（我们称之为绝对投资组合）的行为。第4节描述了四个真实世界的数据集。3:1. 标准每日抽样测试数据集为theNYSE[14,17,15,16,20]，2。纽约证券交易所（NYSE）的更广泛、合并的每日抽样测试数据集[32]，3。JSE的每日抽样测试数据集，和4。JSE的日内测试数据集。第5节对数值实验的实施进行了概述。第6节描述了结果和结果分析，首先是第6.1节中的合成数据，然后是第6.2节、第6.3节、第6.4节和第6.5节中的现实世界数据，分别针对四个现实世界案例研究：纽约证券交易所、纽约证券交易所扩展合并、每日抽样JSE和日内JSE。2.投资组合选择的在线学习算法该应用程序适用于按时间顺序订购的一组股票，其中每个代理将根据特征和策略参数考虑每个时间段的不同股票组合。这些不同的代理人在资本分配的竞争中以不同的方式进行竞争[13,17,18,22]。在这里，表现不佳的代理将减少增量资本分配，表现强劲的代理将增加增量资本分配。

随着时间的推移，表现更好的代理人对总投资组合的相对贡献将增加，因此，他们的决策将在每个交易或投资期开始时根据交易前期结束时的可用信息优先选择进行交易。在线学习算法以一组试剂、控制和性能作为输入。这些是时间有序对象的枚举特征（这里是价格相关）和自由参数（这里是库存）。使用的关键特征是价格相关，第m个对象定义为：xm，t=pm，tpm，t-1（1）在向量表示法中，我们将其等效为Xt，其中第m个分量是xm，t。代表代理的控件是portfolioweights，每个代理的决策将在特定时间对最终聚合决策作出贡献。代理性能由模拟投资组合的因子（代理）表示，这些投资组合是在每个时间段由PortfolioControl形成的。控制措施在每个周期开始时进行估算和实施。然后，资产绩效的相对变化将修改投资期内资产的相对权重，然后在投资期结束时确定给定代理的绩效。这既取决于控件，也取决于代理持有的对象集合的选择、它们的重量，以及这些对象的性能（由价格相关因素决定）。代理不必持有相同数量的对象。经纪人可以持有全部或小部分对象，他们可以卖空对象，并在对象中持有多头头寸。