RACORN-K：基于风险厌恶模式匹配的投资组合选择

由于这种平稳性，策略的风险降低了，极端糟糕的交易也可以避免。当与其他基线进行比较时，可以看出Corn-K系列的性能更好，更具一致性。例如，OLMAR1，一种经典的跟随失败者策略，在DJIA上表现最好，但它的优势是完全忽略了其他数据集。这些结果再次证实了模式匹配方法的可靠性。4.3.2. 详细分析分析RACORN-K/RACORN（C）K在不同市场上的表现，可以更好地揭示风险规避方法的特性。从表2可以看出，RACORN-K/RACORN（C）-K对DJIA的改善最为显著，对DJIA和SP500（N）的MDD降低最为显著。有趣的是，这两个数据集是传统玉米钾不能很好工作的数据集（RET越小，SR越小，MDD越高）。从图1可以看出这一点，与MSCI和HSI的曲线相比，玉米的RET曲线显示DJIA和SP500（N）的风险更大。这表明，当常规玉米钾有风险时，RACORNK/RACORN（C）-K更有效。更多的分析表明，玉米钾的风险很大程度上归因于市场风险。为了说明这一点，DJIA和SP500（N）ar的市场收益率与R的玉米-K和RACORN（C）-K的RET曲线结合在一起。2、为了清晰呈现，HSI只绘制了前600个tradRACORN-K而非RACORN（C）-K，因为其RETcurve与CORN-K的RET曲线更匹配，因此读者可以更清楚地看到风险规避惩罚如何改变算法的行为。0 100 200 300 400 500 600交易日0.60.70.80.91.11.2CORN-KRACORN（C）-KMARKET（a）DJIA0 100 200 300 400 500 600交易日0.850.90.951.051.11.151.21.251.31.35CORN-KRACORN（C）-KMARKET（b）SP500（N）图2。

DJIA和SP500（N）上玉米-K和玉米-K（C）-K的市场和RET曲线。标绘SP500（N）的ing日s，因为在此期间市场波动。这清楚地表明，在波动性巨大的市场上，风险规避在很大程度上降低了风险，因此是一种更可靠的策略。综上所述，CORN-K在风险市场上的表现可能不太有效，而风险规避算法可以在很大程度上缓解这一问题。幸运的是，这种在风险市场上的优势并没有降低其在稳定市场上的表现（CORNK在稳定市场上运作良好）。这是一个nic性质，表明RACORN-K/RACORN（C）-K是玉米-K的安全有效的延伸/替代物。结论本文提出了两种风险规避的CORN-K算法，RACORN-K和RACORN（C）-K算法，它们在搜索最优por-tfolios时涉及风险规避惩罚。在四个数据集上的实验结果表明，新的alg算法可以持续提高夏普比并减少最大下降。这一改善在高风险市场尤其显著，因为传统的CORN-K往往表现不太好。幸运的是，这种风险控制总体上不会降低长期收益，在许多情况下，它会带来更好的回报。未来的工作包括探索更合适的正则化，例如，团体惩罚和节奏连续性约束t.6。参考文献[1]Bin Li和Steven CH Hoi，“在线投资组合选择：调查”，ACM Computing Surveys（CS U R），第46卷，第3期，第35页，2014年。[2] Thomas M Cover，“通用投资组合”，数学金融，第1卷，第1期，第1-29页，1991年。[3] David P Helmbold、Robert E Schapire、Yoram Singer和Manfred K Wa rmuth，“使用乘法更新的在线投资组合选择”，数学金融，第8卷，第4期，pp。

325–347, 1 998.[4] Amit Agarwal、Elad Hazan、Satyen Kale和Robert ESchapire，《基于牛顿法的投资组合管理算法》，第23届国际机器学习会议论文集。ACM，2006年，第9-16页。[5] 约拉姆·辛格，“转换投资组合”，《国际神经系统杂志》，第8卷，第1期。04，第445–4551997页。[6] 艾伦·r、兰·埃尔·亚尼夫和文森特·戈根，“我们可以学习击败最好的斯托克，”J·阿基夫。内尔。Res.（JAIR），第21卷，第579-5942004页。[7] 李斌、佩林·日奥、史蒂文·霍伊和维韦卡南德·戈帕尔克里希南，“Pamr：投资组合选择的被动-主动均值回归策略”，机器学习，第87卷，第2期，第221-2582012页。[8] 李斌（Bin Li），Steven CH Hoi（Steven CH Hoi），赵培林（Peilin Zhao）和VivekanandGopalkrishnan（VivekanandGopalkrishnan），《在线投资组合选择的信心加权平均数反转策略》，《ACM数据知识发现交易》（TKDD），第7卷，第1期，第4页，2013年。[9] 李斌，Steven CH-Hoi，Doyen Sahoo和Zhi YongLiu，“在线端口选择的移动平均回归策略”，Arti-ficial Intelligence，第222卷，第104-123页，2015年。[10] L'aszl'o Gy'or fi、G'abor Lugosi和Frederic Udina，“基于非参数核的顺序投资策略”，数学金融，第16卷，第2期，第337–357页，2006年。[11] L'aszl'o Gy'or fi、Frederic Udina和Har ro Walk，“无参数近邻经验por tfolioselection策略”，《统计与决策国际随机方法与模型数学杂志》，第26卷，第2期，第145-157页，2008年。[12] 李斌，Steven CH H oi，an d Vivekanand Gopalkrishnan，“玉米：投资组合选择的相关驱动非参数度量学习方法”，ACM Transactions onIntelligent Systems and Technology（TIST），第2卷，第3期，第21页，2011年。[13] Narasimh an Jegadeesh，“证券收益可预测行为的证据”，《金融杂志》，第45卷，第。

3，第881–8981990页。[14] Thomas M Cover和David H Gluss，“经验bayesstock市场投资组合”，《应用数学进展》，第7卷，第2期，第170-1811986页。[15] Harry M.Markowitz，“投资组合选择：有效的投资多元化，第二版”，专著，第35卷，第1期，第243-2651991页。[16] B Li、D Sahoo和SCH Hoi，《Olps：在线投资组合选择工具箱》，《机器学习研究杂志》（JMLR），2015年。