Kernel Learning for Mean-Variance Trading Strategies
创建于 更新于
摘要
本文提出了一种基于核方法的路径依赖均值-方差动态交易策略框架，将交易策略参数化为再生核希尔伯特空间中的函数，实现非马尔可夫、灵活建模路径依赖的最优投资组合选择。通过闭式解和谱分解方法解决策略优化问题，实证结果表明该方法在合成模型和市场数据中均显著优于经典马尔可夫策略，并与基于Signature的路径依赖方法表现相近，且具有更强的建模灵活性与扩展性[page::0][page::1][page::4][page::9][page::34][page::35][page::42].
