具有线性成本的最优多资产交易：平均场方法

2022-6-23 21:58:47

事实上，已经发现了各种与有效市场假说相矛盾的反常现象：价格显示出一定程度的可预测性，资产管理者可以通过统计套利策略来利用这种可预测性。然而，交易成本（费用、价差和市场影响）使得这些策略在未正确利用潜在预测信号时无法实施。伴随着不断增长的学术文献[AC01、CJP15、Gu16、BBD18、LT17、LN19、BMKO18]，存在成本的最优交易已成为资产管理行业的焦点。一个著名的例子是G–rleanu-Pedersen解决方案，该解决方案在存在基本成本的情况下进行最优交易（即成本增长为交易速度的平方）。在这种情况下，解决方案主要是使用指数移动平均值和适当的摩擦力来调整和减缓预测值【GP13】。在线性成本（即交易费用或买卖价差）的情况下，这个问题在分析上要难处理得多。在这种情况下，交易变得不连续：当信号太小时，最好不要进行交易，例如[DN90、SS94、MS11、dLDPB12]。还考虑了更复杂的情况，包括线性和二次成本，或更一般的成本函数，例如[MMKS17、LMKW17、RBdL+15]。不幸的是，线性成本案例中的大多数结果都与单一资产问题有关。在多资产情况下，确定无交易区域的形状是一个非常有趣的问题，在一般情况下，甚至在Possamai、Soner a和Touzi（PST15）处理的小交易成本限制下，也不存在解析解。本论文的目的是扩展de Lataillade等人的形式主义。

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

2022-6-23 21:58:50

[dLDPB12]对具有线性交易成本、每项资产的最大头寸约束和二次投资组合风险惩罚的多资产问题进行tre。我们提出了一种“平均场”方法来解决这个问题（在稍后明确的意义上），我们推测，如果常见风险因素的数量仍然不确定，那么在大投资组合的限制下，这个方法会变得精确。这种“平均场”方法已成功应用于其他问题，如多代理环境中的最优清算问题【CL18，FC16】。在我们的案例中，问题归结为【dLDPB12】中解决的单一资产问题，采用改进的线性成本最优多资产交易：平均场方法——2020年4月14日预测值，包括（平均场）风险贡献。修正预测值的统计数据取决于问题的解决方案，必须自洽确定。我们为每个组的独立Ornstein-Uhlenb-eck预测因子和单个常见风险因素的平均场问题提供了解决方案。在这种情况下，风险感知预测因子是两个独立的OrnsteinUhlenbeck过程的总和，对于这两个过程，一般情况下无法准确获得非贸易区的边界。近似解位于经验相关极限内，其中风险规避项与预测分量相比较小。我们发现，非贸易区的边界是风险的一个明确函数，具有我们计算的斜率系数。我们还提供了支持我们分析计算的数值模拟。结论中提出了我们工作的几个方面。2背景：单一资产最优交易2.1问题的表述[dLDPB12]，作者考虑了以下一个离散时间的资产最优交易问题。

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

nandehutu2022

2022-6-23 21:58:53

当投资者收到预测下一次价格变化的信号时，他/她必须确定他/她的签名位置πtat（整数）时间t- pricet，具有以下约束条件：o信号是这样的：E【rt | pt】=pt（真实返回以预测信号为中心），并遵循离散的Ornstein-Uhlenbeck（又名AR（1））过程，即pt+1- pt=-pt+ψξt，其中ξtare iid，N（0，1）个随机变量风险控制是头寸绝对规模的上限：t、 |πt |≤ M、 o尺寸为Q=|πt+1的每个tr a nsaction- πt |产生一些线性成本=ΓQ。投资者希望通过在一段时间内选择最佳的头寸序列πt来实现其长期预期收益的最大化，其中→ +∞. 换句话说，我们对问题的遍历极限感兴趣。2.2两阈值解决方案乍一看，一种合理的方法是，每当预测信号| pt |超过交易成本Γ时，采取±M的位置。这种策略会产生一个积极的总收益，但没有理由认为它是最优的。事实上，该策略既不使用信号pt的自相关时间（其m e m y的长度），也不使用其相关性。我们可以观察到，现在做出的决定将影响未来交易和未来交易成本。通过在某个时间t（交易成本将高于预期回报pt）进行亏损交易，交易者可以指望预测信号p将在一段时间内保持在pt的水平，从而导致总体未来t+pt+1+。。。希望这将比初始成本Γ更高。具体而言，代理试图找到一个确定最小策略，该策略最大化以下递归定义的值函数：Vt（π，p）=max |πt+1|≤Mp·πt+1- Γ|πt+1- π|+ZP（pt+1=p′pt=p）Vt+1（π′，p′）dp′在现场水平极限（T→ +∞), De Latailade等人。

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

2022-6-23 21:58:56

[dLDPB12]求解该Hamilton-Jaco-bi-Bellman方程，证明了最优离散时间交易策略π*is：π*t型=π*t型-1如果| pt |<q*M如果pt≥ q*-M如果pt≤ -q*.（1）最佳阈值q*满足某个方程，该方程可以用以下方式解释：从位置切换获得的预期利润-当预测值刚好低于q时，M到位置+M*并保持在[-q*, q*] 必须等于达到的概率的2Γ倍-q*没有接触过q*, 详见【dLDPB12】和第6节。事实上，我们下面的解决方案是Eqs。（37），（38），恢复了Latailade等人在风险规避为零（θ=0）时的解。当预测器遵循AR（1）过程时，可以导出q的精确公式*, 这揭示了三种状态——见图1：【dLDPB12】中考虑了更一般的马尔可夫预测，但我们将当前的论文限制在AR过程中。具有线性成本的最优多资产交易：平均场方法-2020年4月14日（A）弱可预测性ψ << Γ3/2: q*≈ Γ（注意ψ-3/2是总预测值的数量级）。（b）中间可预测性Γ3/2<< ψ << Γ:q*=Γψ. （2）该cor响应连续时间限制结果，这也是实践中最有趣的结果。阈值的1/3依赖性首次出现在【SS94】中，另见【MS11，LMKW17】。（c）强可预测性[ψ&Γ]：q*≈ Γ. 例如，这是对应于白噪声预测器的区域（≈ 1），中间制度消失。

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

点击查看更多内容…

2022-6-23 21:59:00

时间步长之间缺乏相关性意味着预测者必须击败线性成本才能进行交易。图1：阈值q*作为离散Ornstein-Uhlenbeck预测器可预测性ψ的一个函数（来自[dLDPB12]）。3多资产离散Ornstein-Uhlenbeck问题在本节中，我们将[dLDPB12]中描述的框架扩展到多资产设置。3.1我们现在考虑交易一系列金融资产，i=1，N，当N是一个很大的数字时（通常是一千个）。我们假设这些资产的收益由协方差矩阵Cij描述。在不缺乏一般性的情况下，我们假设这些资产的波动率都等于一（我们总是可以根据实际情况重新调整头寸π）。我们还假设每项资产的预测因子只涉及其演化的特质部分，因此实际上是独立的。它们的动力学由独立的离散Ornstein-Uhlen-beck过程给出：pit+1- 坑=-ipit+ψiξit，（3）可预测性ψi和相关时间1/i可能都不同。风险控制通过两类约束来实施：每项资产的最大头寸|πi |≤ 这限制了特殊风险，标准投资组合风险罚金R=PijπiCijπj/N（请注意，这是每项资产的风险）。我们的投资者希望最大化他/她的长期收益，考虑线性成本和风险，即（用自解释的符号）：G[0，T]=T-1Xt=0”~ pt·~πt-XiΓi |πit+1- πit |- λRt#，（4）具有线性成本的最优多资产交易：平均场方法-2020年4月14日，在|πi |约束下≤ 惯性矩，i、其中λ是风险规避参数。

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

2022-6-23 21:59:03

通过引入一个值函数Vt（~π，~ p），得到相应的HJB方程，该函数遵循以下递归方程：Vt（~π，~ p）=max |πit+1|≤Mi“~ p·~πt+1-XiΓi |πit+1- πi |-λN~πt+1C~πt+1+ZP（~ pt+1=~ p′）~ pt=~ p）Vt+1（~πt+1，~ p′）d~p′, （5）例如，当t=t时，por tfolio为空的约束，即~πt=0。因为我们会对Limit感兴趣→ ∞, 事实上，精确的边界条件与下面的情况无关。请注意，一般问题归结为[dLDPB12]中考虑的问题，当N=1且λ=0.3.2为平均场界限时，为了取得进展，我们假设协方差矩阵源自一个简单的单因素模型，即Cii=σi+βi和Cij=βiβj（i 6=j），其中β是市场通常的“β”。（我们推测我们的方法适用于具有分层块结构的更复杂协方差m矩阵，前提是块的数量与N相比仍然很小）。请注意，一旦投资组合获得净头寸（Piβiπi=O（N）），每项资产的风险就变为N阶，风险惩罚λR在N中的阶数与λ=O（1）时价值函数中的收益和成本项的阶数相同。这是我们将在本文中研究的主题。对于这种特定的风险模型选择，可以将每项资产的风险改写为：Rt=NNXi=1Cii（πit）+NXi，j=1i6=jβiβjπitπjt, （6）我们重写为asRt=NNXi=1Cii（πit）+√NNXi=1βiπitRit，（7）带Rit=√NXj6=iβjπjt。（8）注意，当N较大时，市场风险（由式（7）中的第二项建模）远大于特质贡献（即。

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

2022-6-23 21:59:07

第一学期），我们将忽略这一点。统计力学中平均场的中心思想是，对于大N，可以将Rit视为一个独立的随机变量，其动态是自洽确定的，假设N资产问题可以分解为N（准）独立的单资产问题，仅通过“平均场”Rt的值耦合：=Pjβjπjt/√N、它表示投资组合的总贝塔加权净头寸：Vt（~πt，~ pt，R）=NXi=1Vit（πit，pit，R），（9）带有修改的“风险感知”预测值和价值函数Vit（π，p，R），遵循以下递归关系：Vit（π，p，R）=max |πt+1|≤惯性矩（p- θE【Rt+1 | R】）πt+1- Γi |πt+1- π|+ZP（pt+1=p′，Rt+1=R′；pt=p，Rt=R）Vit+1（πt+1，p′，R′）dp′dR′, （10）式中θ：=λβ/√N、微妙的一点是，RTHA的统计数据是由单一资产问题的解决方案自洽确定的，其中每一个问题原则上都可以使用de La tailladeet al.的形式来解决。然而，这项任务仍然令人望而生畏，因为修改后的预测因子p- θE[Rt+1 | R]一般不能被表征。具有线性成本的最优多资产交易：平均场方法——2020年4月14日我们的目标是在lim itθ中解决这个问题→ 事实上，我们将在下文第7节中看到，为了确定平均已实现风险，风险规避参数λ的阶数必须为1。这是净头寸Rtalso保持为O（1）的制度，这是在具有抵消多头/空头头寸的投资组合背景下金融应用的有趣限制。在这种情况下，θ确实变得非常小，下面的计算完全正确。事实上，只要λ=o，我们将证明我们的方法是有效的(√N），见等式。

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

可人4

2022-6-23 21:59:12

（21）以下。在下一节中，我们首先表明，在连续时间限制内，当N→ +∞, R本身是一个具有可计算参数的OrnsteinUhlenbeck过程。4平均场策略的渐近连续时间动力学是将R的动力学限制在极限N内→ + ∞, 当每个单一资产问题正式归结为在[dLDPB12]中解决的问题时，θ→ 0.为简单起见，我们将从现在起限制为连续时间制度（对应于我们上述分类中的中间可预测性制度（b））。在这种情况下，时间步长“1”b是一个极小的量dt，预测值可以视为Ornstein-Uhlenbeck过程，即edpit=-ipitdt+ψidWit（11），其中W西尼罗河是独立的维纳过程。对于每种资产，[dLDPB12]中的单一资产优化策略的特点是最优thr eshold q*i> 0，并且是πit∈ {±Mi}对于所有i，t（可能在我们在下面忽略的一个短时间之后）。根据预测词的对称性，我们得到：P（πit=Mi）=P（πit=-Mi）=。（12）因此，位置是伯努利随机变量。对于给定的t，（πit）i=1。。。与鼻孔无关，因为π仅是（pis）s的功能∈[0，t]（假设独立）。利用中心极限定理，我们得到了所有t的th，Rt=Piβiπit/√N是渐近的（N→ +∞) 高斯分布。事实上，在下面的内容中，我们将证明当N→ +∞.现在让我们写出RtasRt+dt的微小变化- Rt公司=√NNXi=1βiMiξi，（13），其中ξi=1，如果位置i从-t和t+dt之间的Mito+MIB，-1如果位置i开关fr om+Mito-Mi和0其他rwise。

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

2022-6-23 21:59:16

ξi的分布取决于Rtis的某个值，由下式给出：P（ξi=-1 | Rt）=P（坑+dt<-q*i、坑>-q*i |πit=Mi）P（πit=Mi | Rt），P（ξi=1 | Rt）=P（pit+dt>q*i、坑<q*i |πit=-Mi）P（πit=-Mi | Rt），（14）其中右侧sid e中的第一项对应于Picross the thr eshold q的（统计）概率*在t和t+dt之间，我们将在下一节中称之为Jidt并显式计算。它对应于资产i的交易率。第二项是在其最大（分别为最小）位置±Mi处发现资产i的条件概率，对于agiven Rt值。在附录A中，我们给出了以下结果，对大N有效：P（πIt=±Mi | Rt）=1±RtβiMi∑√N, （15）式中，∑：=PjβjMj/N。因此，我们得出[ξi | Rt]=-RtβiMi∑√NJidt+o（dt），V[ξi | Rt]=Jidt+o（dt）。（16）因此，由于（ξi）i=1。。Nare自变量，Rt+dt-Rtis渐近高斯，具有以下矩：E[Rt+dt- Rt | Rt]=-2“JRtdtV[Rt+dt- Rt | Rt]=4∑Jdt，（17），其中dt→ 0和'J：=PiβiMiJiPiβiMiOPTIMAL线性成本多资产交易：平均场法-2020年4月14日是平均交易率，由最大头寸的平方和极限dt中的b e ta加权→ 因此，平均油田风险是一个Ornstein-Uhlenbeck过程，具有已知的p参数∑和'J:dRt=-2'JRtdt+2∑p'JdWt。（18）根据该表达式，可以计算Rt的平稳方差，由v[Rt]=∑，（19）给出，当θ→ 注意，预测值Pi的方差由V给出矿井=ψi2i：=p*2i。（20）因此，风险规避项θRtis的重要性顺序θ∑，与预测者的规模相比，p*i=ψi/√i.我们将考虑低于极限θ→ 0，实际上必须理解为λ<<p*iβi∑√N、（21）对于所有i=1。。。，N，即。

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

2022-6-23 21:59:19

与预测强度相比，portfo lio的风险贡献仍然很小。在本节的结论中，我们已经表明，如果每项资产都使用独立的OrnsteinUhlenbeck信号进行交易，并且没有交易区域，那么由此产生的平均场风险术语本身就是一个Ornstein-Uhlenbeck过程。这一结论也适用于更大类别的马尔可夫预测，也适用于完全自洽的问题，其中每个资产都看到一个包含风险项的修正预测，因为对于这个问题，最优解也具有“砰砰”的性质，没有交易区域。因此，等式（16）仍然有效，但只有当θ→ 0，我们现在转向它。5交易率理论在本节中，我们要计算每种资产i的交易率ji，假设交易由预测者pi决定（即θ→ 0). 为了符号的简单性，我们暂时删除了索引i。现在让我们引入以下条件概率q+（p，t）dp：=p（pt∈ [p，p+dp]|πt=M）。（22）由于我们假设Pt遵循一个连续时间的Ornstein-Uhlenbeck过程，因此稳态密度Q+，st.（p，t）满足一个改进的福克-普朗克方程（其中δ是狄拉克质量）：0=Q+，stt=（pQ+，st）p+ψQ+，stp+Jδ（p- q*), （23）具有基本条件Q+，st.（p=-q*, t） =0，说明当p触及下限阈值时-q*,位置从+M到-M、在p=-q*:J：=ψQ+，stp | p=-q*. （24）E q中的最后一个术语。

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

2022-6-23 21:59:22

（23）对应于逆过程：- 当预测器触到+q时，M个位置变为+M个位置*, 以相同的速率J（对称性）发生。该方程的解导致pQ+，st.+ψQ+，st。p=J-q*< p<q*pQ+，st.+ψQ+，st。p>q时，p=0*Q+，st(-q*) = 0，（25）也必须是R∞-q*Q+，st.（p）dp=1。引入a：=ψ-2=p*-2，我们最终得到：Q+，st.（p）=2Jψe-apZmin（p，q*)-q*eaxdx，（26）使用工具（如[Whi02]中开发的工具）将这种非正式的收敛论点变得严格，这是未来研究的一个有趣方向。具有线性成本的最优多资产交易：一种平均场方法——2020年4月14日，该方法要求J=ψ/2Q′+，st.（p=-q*). Q+，st的归一化导致：J=ψ“Zq*-q*e-ap公司Zp公司-q*eaxdx公司dp+Z+∞q*e-apdpZq*-q*eapdp#。（27）我们现在引入^q：=q*/p*作为非贸易区宽度与预测的典型规模之间的关系（忽略√2恒定）。方程（27）可在两种状态^q中近似求解<< 1（小频带）和^q>> 1（大频带），导致（详见附录B）：（J≈√π^q-1^q<< 1J≈√π^qe-^q^q>> 1.（28）注意q*<< p*<==> J>> ，反之为q*>> p*<==> >> J：交易时间J-1远小于（或大于）预测器的相关时间-1当非贸易区与预测值p的典型范围相比较小（或较大）时*, 与小（或大）线性成本相对应。回想一下，在这一点上，所有这些结果实际上都是依赖于i的，描述平均场RTI动态的参数“J”是作为JI的加权平均值获得的，权重为βiMi。

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

2022-6-23 21:59:25

我们现在可以得出无贸易门槛q*我在存在（小）风险期限的情况下进行了修改。6双Ornstein-Uhlenbeck预测器的最佳阈值6.1一般设置我们因此面临一个有效的单资产问题，修改的预测器是两个独立的Ornstein-Uhlenbeck过程的总和，一个来自信号，另一个来自风险。这个新的预测值可以从二维随机过程Xt=（pt，Rt），以及PTA和Rtindepen dent（由于平均场近似）来构建。其动态写入（在以下所有部分中，我们再次跳过索引i）：dXt=- 00 -2英寸Xtdt公司+ψ 00 2Σ√\'\'JdWt=-AXtdt+BdWt，（29），其中Wt∈ Ris是一个具有独立成分的布朗运动，a=00 2英寸和B=ψ 00 2Σ√\'\'J.对于我们的问题，只有组合st=pt- θrta出现在优化问题中，等式（10）。根据[dLDPB12]的论点，我们预计最佳交易策略再次是在+和-M，但p上的阈值是Rt当前值的函数，即：o当pt时，切换到最大允许位置+M≥ q+（Rt）。o切换到允许的最小位置-pt时为M≤ q-（Rt）。o否则，保持前一个位置。按照[dLDPB12]的步骤，可以通过一些定义为约束路径积分的函数P±（P，r）和L（P，r）：L（P，r）=Z[P（T），来表示预期风险调整收益和预期交易成本之间的平衡≥q+（r）]∨[p（T）≤q-（r） ]X=（p，r），-q-（r） <p（t）<q+（r），t型∈]0，T[“ZTwXtdt#P（X | X）DX，（30）带w= (1, -θ);P+（P，r）=Zp（T）≥q+（r）X=（p，r），-q-（r） <p（t）<q+（r），t型∈]0，T[P（X | X）DX；（31）和P-（p，r）=Zp（T）≤q-（r） X=（p，r），-q-（r） <p（t）<q+（r），t型∈]0，T[P（X | X）DX，（32），其中是其中一个边界q±（r）的第一次击中时间。

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

2022-6-23 21:59:28

注意，通过构造，P-（p，r）+p+（p，r）=1。使用这些定义，确定最佳无边界的条件如下（见【dL D PB12】）：L（p，r）=2Γp-（p，r）当p→ q+（r）L（p，r）=-2ΓP+（P，r）当P→ q-（r）。（33）具有线性成本的最优多资产交易：平均场方法——2020年4月14日，等效地，使用Xt的二维布朗动力学，这些函数是以下后向Kolmogorov方程的解：(-pLp- 2英寸JrLr+ψLp+2∑JLr=-p+θr-pP±p- 2英寸JrP±r+ψP±p+2∑JP±在边界条件下，r=0（34）：L（q±（r），r）=0P-（q）-（r），r）=P+（q+（r），r）=1P-（q+（r），r）=P+（q-（r），r）=0。（35）这些方程很难完全通用地求解。在下文中，我们获得了特殊对称点=2'J（当平均场Rt和预测因子Pt具有相同的自相关时间）的精确解，即小θ极限下的近似解，其中风险贡献是对预测因子的小修正。6.2对称情况：精确解让我们研究一个特殊情况=2'J，其精确解可用。在这种情况下，修改后的预测值=pt- θrti是一维O-rnstein-Uhlenbeck过程，即：dst=-stdt+|ψdWt，（36），其中|ψ：=pψ+2∑θ。至此，我们又回到了[dLDPB12]中考虑的问题。在有趣的连续时间区域3/2<Дψ<Γ中，我们因此获得了一个阈值：*=Γ~ψ1/3. （37）或，转化为pt的thre sholds：q+（r）=q*+ θrq-（r） =-q*+ θr.（38）这些表达式有一个简单的解释：在λ>0的情况下，当净头寸为正（Rt>0）时，任何买入的积极信号必须超过增加的阈值q*→ q*+ θRt用于承担一些额外风险，反之亦然，当交易导致| Rt |出现时。6.3一般情况：近似解在某些情况下，我们可以找到式（34）的近似解。

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

2022-6-23 21:59:31

我特别感兴趣的是θ→ 0，也就是说，当交易主要由预测因素而不是风险约束驱动时。在这种情况下，我们还可以从第5节了解如何精确计算“J”。我们将再次假设，对于所有资产，我们都处于中间、连续时间状态Γ3/2<ψ<Γ（见等式（2））。我们介绍q*=Γψ作为没有风险约束的阈值，wh ic h是这样的q*<< p*:= ψ/√因此，从公式（28）中<<J.在这种情况下，预测因子对成本的预测具有一定的可能性（见[dLDPB12]），但比风险成分慢得多。我们现在准备陈述我们的主要结果。假设θ∑<< p*和<<那么，忽略订单条款（q*/p*), 最佳thr e Shold由以下公式得出：q+（r）≈ q+Sθrq-（r）≈ -q+Sθr，（39），其中：q：=q*1.-q*2p级*2.; S：=1.-q*2p级*2.1+’Jq*2p级*2.-1.（40）参见附录C以获取证明。观察到当2’J=时，我们发现S=1+O（aq*4），我们精确地恢复了上一节中导出的对称度量情况的结果。更一般地，风险修正项Sθrts的斜率S向0减小为1/’J。随着‘J’的增加，平均场过程的记忆缩短。在风险对修正预测值的贡献成为一个高风险过程的限度内，它在确定最佳交易策略时确实变得无关紧要→ 0).具有线性成本的最优多资产交易：平均场方法-2007年4月14日确定风险规避参数我们现在回到平均场形式中的已实现风险问题。我们记得，在固定极限下，每项资产的预期风险R为：R=NE[~πC~π]=NE“NXi=1Cii（πi）+√NNXi=1βiπiR#。（41）现在，由于无贸易区阈值移动了一个数量SθR，因此位置πi和平均场R之间存在一些相关关系。

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

mingdashike22

2022-6-23 21:59:34

UsingE[πiR]=MiERP[πi=Mi | R]- P[πi=-Mi | R], （42）并展开到θ的一阶，一个结果是：E[πiR]≈ -2MiSiθiρiE[R]，（43），其中ρiis为未受干扰阈值q下预测值的概率密度*i、现在，为了使结果在整个区域Nλ=O（1）中有效，我们必须自洽地估计E[r]。WritingE[R]=E“NXiβiMi+√NXiβiπiR#，（44）一个得到：E[R]=∑- λΞE【R】==> E[R]=∑1+λΞ，（45），其中∑：=PiMiβi/N和Ξ：=2PiMiβiSiρi/N是密集量。因此，根据sset计算的风险为R=R-λ∑Ξ1+λΞ，R：=nxicimi，（46），其中Ris是完全解耦问题中每项资产的预期风险，λ=0。等式（46）表明，缩放λ=O（1）确实允许我们调整实现d风险。注意，为了实现大于R的风险，必须选择一个负性风险规避参数。注意，写Rmin=PiσiMi/N是最小可实现风险（在ca seβi=0i），一个参数：R=Rmin+∑1+λΞ，（47），这证实了R→ Rmin当风险规避λ变为+∞（只要λ=o，这是一个有效的区域(√N））。8数值模拟8.1平均场的动力学如果预测值经常超过其阈值（q*<< p*). 我们模拟了N=10 0的情况，预测值具有相同的动力学（ψ==10-3），相同的交易成本Γ，以及所有股票共有的有效最大头寸βimi，设置为unity。我们在给定阈值的情况下对这些预测值执行“砰砰”策略，并通过最大似然估计计算平均位置的动态。结果如图2所示。我们比较了三种恢复'J的方法：通过Rt模拟，通过当^q时有效的近似<< 1（公式（28）），或通过使用积分公式公式进行直接计算。

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

2022-6-23 21:59:38

(27).8.2阈值对风险的依赖为了检查我们的主要分析结果（公式（40））的正确性，我们进行了模拟，以确定对原始阈值q的最佳校正*当存在风险修正时，对于不同的“J”值，结果如图3所示。我们的参数集是：βM=1；ψ = 10-3. = 1 0-3.Γ = 1; θ = 5 × 10-3.（48）具有线性成本的最优多资产交易：平均场方法-2020年4月14日图2：模拟的“J”（蓝色），近似值（橙色）和“J”（绿色）的精确公式。对于这组参数，我们有：（q*/p*)~ 0.1<< 1.（θM/p*)~ 0.025<< 1.ψ/Γ3/2~ 30>> 1.（49）前两种制度符合我们的假设。需要第三种机制（参见[dLDPB12]）来获得q*≈Γψ.为固定值“J”找到最佳校正的算法与[dLDPB12]中使用的算法类似：o我们选择一组值S。。。，sk分布在包含理论最优S的范围内。我们生成两条长随机路径（pt）t∈[0，T]具有式（3）和（Rt）T的动力学∈[0，T]具有式（18）的动力学。我们选择T=250万对于Sn的每个值，我们模拟相应策略的行为（使用q±（r）=±q+Sθr），并在考虑r isk校正增益（pt- θRt）π和成本Γ|πt- πt-1|.o 我们选择总损益最大的值SJ，然后选择新值S′。。。，S′用于可能的时间校正，均匀分布在Sj周围，并重新启动相同的过程。图3：模拟（蓝色）与分析（橙色）的最佳S作为“J/”的函数，我们在图3中重复此循环三次。重申协议并不完美，因为制度q±（r）<< p*未完全填满（q±（r）~ 0.3p*此处）。此外，当“J”趋向于/2时，我们看到S=1+O（（q*/p*)),所以修正并不重要。

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

nandehutu2022

2022-6-23 21:59:41

因此，从图的左侧可以看出，模拟与分析结果更接近。具有线性成本的最优多资产交易：平均场方法-20209年4月14日结论在本文中，我们在具有二次风险约束的多资产环境中对[dLDPB12]进行了扩展。风险约束导致的资产之间的耦合使得这个问题在一般情况下很难解决。然而，在大量资产的限制下，平均场应用程序roach允许我们将问题重写为N个单一资产问题，其中每个单独的预测值是原始预测值和所有资产瞬时全球位置的线性组合。全球位置的动态显示为Ornstein Uhlenbeck。当风险控制很小时，我们证明了最优策略类似于单一资产情况下的策略，只是阈值取决于瞬时的全球位置。我们通过数值模拟定量和定性地描述了这种影响。在这种具有移动阈值的情况下，我们还能够将风险规避参数与目标风险联系起来，从而可以轻松地预测已实现的风险。这个结果可以以任何方式扩展，例如考虑更一般的相关矩阵的情况。我们相信，将我们的单因素风险模型扩展到k因素风险模型（对应于分块层次ALCOVANCE矩阵）仍然可以使用相同的思想进行分析求解，其中k个独立的平均场风险项各有其自身的Ornstein-Uhlenbeck动力学。另一个方向是超越风险厌恶参数θ的一阶。这首先需要获得零阶以上平均场的动力学。

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

2022-6-23 21:59:45

从数学上证明我们的平均场近似值精确到N是很有趣的→ ∞, 对于θ中的所有阶，最优策略仍然是bang-bang型。最后，我们相信，我们的平均场方法自然会扩展到其他更一般形式的成本，我们可以为单个资产问题（例如，在存在线性成本和小二次成本的情况下[RBdL+15]）得出最佳解决方案。计量领域的动态可能会有所不同，但我们用于处理多资产公式的方法应该仍然有效。感谢F.Altarelli、J.de Lataillade、A.Maillard和J.Muhle Ka rbe就这一主题进行的深入讨论。我们特别感谢J.Muh le-Karbe仔细阅读了我们的手稿并提出了许多改进建议，一位不知名的裁判坚持要求我们澄清风险规避参数的比例。参考文献[AC01]R.Almgren和N.Chriss。对账单事务的最佳执行。《风险杂志》，第e 5–4 02001页。【BBD18】J.P.Bouchaud、J.Bonart、J.Donier和M.Gould。交易、报价和公关：显微镜下的金融市场。剑桥大学出版社，2018年。[LT17]P.Lintilhac和A.Tourin。基于模型的比特币市场配对交易。《定量金融》17.5703-7162017。[LN19]C.-A.Lehalle and d E.Neumann。将信号纳入最佳交易。《金融与随机》23.2275-3112019。[BMKO18]C.Belak、J.Muhle Karbe和K.Ou。目标区域模型中具有一般信号和清算的最优交易。可从SSRN 3224674、2 018获得。【CJP15】'A。Cartea，S.Jaim ungal，a和J.Penalva。算法和高频交易。剑桥大学出版社，2015年。[dLDPB12]J.de Lata illade，C.Deremble，M.Potters，and d J.-P.Bouch a ud。线性成本最优交易。《投资战略杂志》，1（3）：91–1152012年。[DN90]H.A。

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

2022-6-23 21:59:48

戴维斯和A.R.诺曼。具有交易成本的投资组合选择。数学操作。《研究》，15（4）：676–7131990年。【GP13】N.B.G’rleanu和L.H.Pedersen。具有可预测回报和交易成本的动态交易。《金融杂志》，68（6）：2309–234，2013年。[古16]O.盖恩特。市场流动性的经典数学：从最佳执行到市场营销。CRC出版社，2016年第33期。[CL18]P.Cardaliaguet和C.-a.Lehalle。平均场控制游戏和贸易拥挤应用。数学与金融经济学，12（3），33 5-3632019年。具有线性成本的最优多资产交易：平均场方法——2020年4月14日[FC16]D.Firoozi和P.-E.Caines。平均场博弈-金融中部分观测最优执行问题的纳什均衡。IEEE第55届决策与控制会议，第268-275页，IEEE，2016年。【LMKW17】R.Liu、J.Muhle Karbe和M.H.Weber。用线性和二次成本进行再平衡。《暹罗控制与优化杂志》，55（6）：3533–35632017。L.Moreau、J.Muhle Karbe和H.M.Soner。价格影响较小的交易。数学金融，27（2）：350–400，2017年。[MS11]R.Martin和T.Sch"onebor n.表示复归是有代价的，但代价是有限的。《风险》杂志，第96-101页，2011年2月。D.Possamai、H.M.Soner和N.Touzi。小交易成本的同质化和渐近性：多维情况。《偏微分方程通讯》，40（11）：2005–20462015。A.Rej、R.Benichou、J.de Latailade、G.Zerah和J.P.Bou chaud。具有线性和（小）非线性成本的最优交易。《风险杂志》，30（3）：106–1102015年。S.E.Shreve和H.M.Soner。具有交易成本的最优投资和消费。安。应用程序。问题。，4(3):609–6 92, 1994.W.惠特。随机过程极限：介绍随机过程极限及其在队列中的应用。

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

2022-6-23 21:59:51

施普林格科学与商业媒体，2002年。具有线性成本的最优多资产交易：平均场法-2020年4月14日附录πi的条件值已知RB定义，平均场R由以下公式得出：R=√NNXi=1βiπi=√NNXi=1SiβiMi，（50），其中Si=±1，概率为1/2，1/2。从中心极限定理来看，R的无条件分布因此在很大程度上是N，均值和方差为零的高斯分布∑：=PiβiMi/N。有条件地，对于某个S，R的分布是P（R | S）=√2π∑e-（R）-SβM/√N） 2∑≈N→∞√2π∑e-R2∑1+RSβM∑√N. （51）现在，使用Bayes，一个搭扣（S | R）=P（R | S）P（R）=1+RSβM∑√N. （52）由于此处的“1”没有特殊作用，因此，正如正文中所宣布的那样，对于任何i，都有相同的结果。B J的渐近展开我们在两个不同的区域展开J的方程，即^q<< 1和^q>> 1、使用^q=q*/p*带p*2=1/等于：J=2ξψ“Z^q-^qe-pZp公司-^qexdxdp+Z+∞^qe-pdpZ^q-^qepdp#=2ξψ[I+I]。（53）在^q的情况下<< 1、我们很容易发现：I=2^q+O（^q）I=√π^q- 2^q+O（^q）。（54）因此：J=2√π^q。（55）在^q的情况下>> 1，通过分段积分（其中C是常数），我们得到：I=2Z+∞^qe-pdpZ^qepdp（56）=2“e-^q2^q-Z+∞^qe-p2pdp#“C+e^q2^q+Z^qep2pdp#（57）=2”e-^q2^q+Oe-^q^q#“e^q2^q+Oe^q^q！#（58）=2^q+O^q. （59）现在我们可以通过在x=0:I=Z^q处切割内部积分来展开Ib-^qe-pdpZ公司-^qexdx+Z^q-^qe-pZpexdxdp（60）=“√π+Oe-^q^q#“e^q2^q+Oe^q^q！#+2Z^qe-pZpexdxdp（61）=√πe^q2^q+Oe^q^q！。（62）具有线性成本的最优多资产交易：平均场方法——2020sinceR^qe年4月14日-pRpexdx数据处理≤^q=Oe^q^q.因此：J=√πe^q^q.（63）C证明6.3中的主要结果证明此结果需要也处于aq±（r）状态<< 1、然而，请记住，我们早些时候曾说过<<\'J和aq±（r）<< 1例相等。

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