Beating the Best Constant Rebalancing Portfolio in Long-Term Investment: A Generalization of the Kelly Criterion and Universal Learning Algorithm for Markets with Serial Dependence
创建于 更新于
摘要
本文提出了一种基于序列依赖的在线学习算法，该算法无需任何分布假设，能够动态构建投资组合策略，经过长期运行后超越历史最佳固定周期投资组合。经典凯利准则被推广至块状独立同分布的非平稳市场，确保新策略获取最高渐近增长率。实证结果基于27年4只股票日频数据，调整周期参数k能够显著提升累积财富，且最佳k-周期策略明显优于传统普适投资组合策略，验证了算法对序列依赖性的有效利用和广泛适用性[page::0][page::1][page::4][page::7][page::12][page::16]
