机器学习在系统策略中的应用-研究论文

【文件属性】：
文件名称：机器学习在系统策略中的应用-研究论文
文件大小：123KB
文件格式：PDF
更新时间：2021-05-20 06:27:33
Gaussian distribution Fractional Brownian Markowitz 我们调查使用机器学习技术来建立统计上稳定的系统分配策略。 传统上，分配过程通常依赖于Markowitz框架的变体，例如均值方差分配，最大多样性，风险分配，风险价值，预期短缺，换句话说，凸边界优化。 尽管这些方法显示出通过凸有效边界分配资产的效率，但是它们通常深深地依赖于协方差矩阵的估计和使用。 由于不是平稳的并且具有多个范围的内存（即使用分数布朗运动的FIGARCH），协方差的统计估计可能会导致偏差和误差，最终会导致偏差结论。 经济计量学，经济物理学，定量分配方面的大量文献都涵盖了此问题，以便补救协方差及其偏倚和问题的统计估计。 在这里，我们的重点不是协方差矩阵的新估计或均方差框架的变体，而是机器学习技术的应用，以推断资产之间的非线性关系和长期记忆。 这样做的好处是，可以删除资产在协方差框架上的线性投影，然后捕获各个时间段之间的非线性关系。 神经网络，深度学习和机器学习的最新进展允许对数据之间的非线性统计关系（即价格，股息等）进行更有效的建模。 其中，我们可以提到受限玻尔兹曼机，变分自动编码器和递归神经网络，注意力和高速公路长期短期记忆的变体，以及用于局部子空间投影的分解机。 因此，我们研究了一些通过降低风险和估计偏差来开发实用的系统分配策略的技术，并显示了结果。