Optimierung Of Trading Systeme Und Portfolios

Optimierung von Handelssystemen und Portfolios. Zitate Zitate 32.Referenzen Referenzen 5.Forschungsstudien haben sich auf die Handelssysteme oder Portfolio-Konstruktionsmethoden oder Multi-Agent-Systeme konzentriert Smeureanu et al 2012 separat Einige haben die Handelssystem-Portfolios optimiert Moodyand, Lizhong 1997, Dempster, Jones 2001 aber nur sehr wenige haben sich mit großflächigen Trading-System-Portfolio-Optimierungsproblemen beschäftigt Perold 1984 Multi-Agenten-Systeme werden selten im Handel verwendet, obwohl gelegentliche Beispiele gefunden werden können Arajo, de Castro 2011. Show abstract Hide abstract ABSTRACT Um zu verstehen, Komplexe Portfolio-Bauaufgaben analysieren wir nachhaltige Wirtschaftsprobleme, indem wir große Aufgaben in kleinere aufteilen und einen entwicklungsorientierten Ansatz anbieten. Die theoretische Rechtfertigung für unsere Lösung basiert auf einer multivariaten statistischen Analyse multidimensionaler Investitionsaufgaben, insbesondere auf Datenbeziehungen Größe, Algorithmus Komplexität und Portfolio Wirksamkeit Um die Dimensionalität Stichprobengröße Problem zu reduzieren, wird eine größere Aufgabe in kleinere Teile durch Element Ähnlichkeit Clustering zerlegt Ähnliche Probleme werden gegeben, um kleinere Gruppen zu lösen Gruppen, jedoch variieren in vielen Aspekten Pseudo zufällig - Geformte Gruppen bilden eine Vielzahl von Modulen von Vorwärtskopplungs-Entscheidungssystemen Der Evolutionsmechanismus bildet Sammlungen der besten Module für jede einzelne kurze Zeitspanne. Endgültige Lösungen werden auf globaler Ebene übertragen, wo eine Sammlung der besten Module ausgewählt wird Ein multiklasses kostensensitives perzeptron Gesammelte Module werden in einer abschließenden Lösung in einem gleich gewichteten Ansatz kombiniert 1 N Portfolio Die Wirksamkeit des neuartigen Entscheidungsansatzes wurde durch ein Finanzportfolio-Optimierungsproblem demonstriert, das ausreichende Mengen an realen Daten für das Portfolio lieferte Aufbau, wir verwendeten 11.730 simulierte Handelsroboter-Leistungen Der Datensatz deckte den Zeitraum von 2003 bis 2012 ab, als Umweltveränderungen häufig und weitgehend unvorhersehbar waren. Vorwärts - und Out-of-Probe-Experimente zeigen, dass ein Ansatz, der auf Prinzipien der nachhaltigen Wirtschaft basiert, die Benchmark-Methoden übertrifft Kürzere Agentur-Trainingsgeschichte zeigt bessere Ergebnisse in Zeiten einer sich wandelnden Umwelt. Full-Text Artikel Jan 2014.Raudys Aistis Raudys Pabarkait. L Xu, 2003 Optimierung der Finanzportfolios aus der Perspektive der Bergbau zeitlichen Strukturen der Aktienrenditen, in P Perner und A Rosenfeld , Eds Machine Learning und Data Mining in Pattern Recognition - MLDM 2003, S. 266-275, LNAI 2734, Springer Verlag Wie bei anderen Grundproblemen in der Finanzanalyse war das optimale Portfolio-Auswahlproblem auch für den Ansturm von Forschern aus den Disziplinen künstliche Neuronale Netze und maschinelles Lernen3456 Mit dem Ansatz der neuronalen Netze können optimale Parameter im Laufe der Zeit adaptiv gelernt werden. Zeigen Sie abstrakt Ausblenden ABSTRAKT Zusammenfassung In dieser Arbeit wollen wir vorstellen, wie eine der kürzlich entwickelten statistischen Lerntechniken, die zeitliche Faktorenanalyse TFA, die ursprünglich für die weitere Untersuchung der Arbitrage-Pricing-Theorie APT gewidmet ist, in finanzieller Weise ausgenutzt werden könnte Data Mining zur Ermittlung von Gewichten im Portfolio-Optimierungsproblem Darüber hinaus untersuchen wir mehrere Varianten der APT-basierten Sharpe Ratio-Maximierungstechnik, die die Konzepte des Portfolio-Abwärtsrisikos und der Aufwärtsvolatilität nutzen, die auf die Notwendigkeit von risikoavers und aggressivem Gewinn abgestimmt sind - sucht Investoren. Full-Text Konferenz Papier Jul 2003.Kai Chun Chiu Lei Xu. Linear Regression der Haltezeit auf die MS-Verhältnis auf allen Märkten gab einen Korrelationskoeffizienten von - 48 Dies steht im Einklang mit den Ergebnissen in 1 und 4 Dass RRL-Training die Händler zu höheren Transaktionskosten durch Verringerung der Handelshäufigkeit anpasst Im Fall des FX-Handels bedeutet ein niedrigeres MS-Verhältnis, dass der Spread eine relativ höhere äquivalente Transaktionskosten ist und wir sollten erwarten, dass die Handelsfrequenz reduziert wird. Zeigen Sie abstrakt Ausblenden ABSTRAKT Diese Studie untersucht den hochfrequenten Devisenhandel mit neuronalen Netzen, die über wiederkehrende Verstärkung erlernt werden RRL Wir vergleichen die Leistung von Single-Layer-Netzwerken mit Netzwerken mit einer versteckten Schicht und untersuchen die Auswirkungen der festen Systemparameter auf die Leistung Dass die Handelssysteme effektiv sein können, aber die Performance variiert stark für verschiedene Devisenmärkte und diese Variabilität lässt sich nicht durch einfache Statistiken der Märkte erklären. Auch wir finden, dass das Single-Layer-Netzwerk das zweischichtige Netzwerk in dieser Anwendung übertrifft 2003 Technologische und wirtschaftliche Entwicklung der Wirtschaft. mit John Moody, Matthew Saffell 2001. Wir präsentieren Methoden zur Optimierung von Portfolios, Asset Allocations und Trading-Systemen auf der Grundlage der direkten Verstärkung DR In diesem Ansatz wird Investitionsentscheidungen als stochastisches Kontrollproblem betrachtet und Strategien werden direkt entdeckt Wir präsentieren einen adaptiven Algorithmus namens wiederkehrende r. Wir präsentieren Methoden zur Optimierung von Portfolios, Asset Allocations und Trading-Systemen auf der Grundlage von direkten Verstärkung DR In diesem Ansatz wird Investitionsentscheidungsfazilität als stochastisches Kontrollproblem betrachtet und Strategien entdeckt Direkt Wir präsentieren einen adaptiven Algorithmus namens Recurrent Verstärkung Lernen RRL für die Entdeckung von Investitionspolitiken Die Notwendigkeit, Prognosemodelle zu bauen, wird eliminiert und es wird eine bessere Handelsleistung erzielt. Der direkte Verstärkungsansatz unterscheidet sich von dynamischen Programmier - und Verstärkungsalgorithmen wie TD-Learning und Q-Learning , Die versuchen, eine Wertfunktion für das Kontrollproblem zu schätzen Wir stellen fest, dass das RRL-Direktverstärkungs-Framework eine einfachere Problemdarstellung ermöglicht, verhindert Bellman aposs Fluch der Dimensionalität und bietet überzeugende Vorteile in der Effizienz Wir zeigen, wie direkte Verstärkung zur Optimierung von Risiko - Bereinigte Investitionsrenditen einschließlich der differenziellen Sharpe-Ratio, während sie die Auswirkungen von Transaktionskosten berücksichtigen In umfangreichen Simulationsarbeiten mit realen Finanzdaten finden wir, dass unser Ansatz, der auf RRL basiert, bessere Handelsstrategien als Systeme mit Q-Learning eine Wertfunktionsmethode Real - Weltweite Anwendungen beinhalten einen intra-täglichen Devisenhändler und ein monatliches Asset Allocation System für den S ampP 500 Stock Index und T-Bills. by Blake Lebaron 1998. Dieses Papier kombiniert Techniken aus der Literatur zu evolutionären Optimierungsalgorithmen zusammen mit bootstrap basierten statistischen Tests Bootstrapping und Cross-Validierung werden als ein allgemeiner Rahmen für die Schätzung von Objekten aus der Stichprobe verwendet, indem sie Teilmengen aus einem Trainingsmuster Evolu neu zeichnen. Dieses Papier kombiniert Techniken aus der Literatur zu evolutionären Optimierungsalgorithmen zusammen mit bootstrapbasierten statistischen Tests Bootstrapping und Cross Validierung werden als verwendet Ein allgemeiner Rahmen für die Schätzung von Zielen aus der Stichprobe durch die Neuzeichnung von Teilmengen aus einer Trainingsmuster Evolution wird verwendet, um den großen Raum potenzieller Netzwerkarchitekturen zu durchsuchen. Die Kombination dieser beiden Methoden schafft ein Netzwerkschätz - und Auswahlverfahren, das parsimonische Netzwerkstrukturen findet, die sich verallgemeinern Gut Beispiele werden aus Finanzdaten gegeben, die zeigen, wie dies mit herkömmlicheren Modellauswahlmethoden verglichen wird. Die Bootstrap-Methodik erlaubt auch allgemeinere objektive Funktionen als übliche kleinste Quadrate, da sie die in der Stichprobe für eine beliebige Funktion abschätzen können. Einige davon werden mit dem traditionellen Vergleich verglichen Quadrate basierte Schätzungen in dynamischen Handelseinstellungen mit Devisen-Serien 1 1.shirani 1994 3 Frühere Ergebnisse zeigen, dass sie ein wirksames Instrument in simulierten Zeitreihen-Prognosen mit Henon-Daten sind LeBaron 1997 4 Die jüngsten Beiträge von Bengio 1997, Choey Weigend 1997 und - Moody Wu 1997- - sind eindeutig inspirierend hier Andere neuere Beispiele, die die Bedeutung anderer Verlustfunktionen betrachten, finden sich in Granger Pesaran 1996 1strategy zum Zeitpunkt t 1 wäre Strt 1, 1 wo Amir F Atiya, Alexander G Parlos - IEEE TRANS NEURAL NETWORKS 2000. Wie effizient rekursive Netzwerke trainieren, bleibt ein anspruchsvolles und aktives Forschungsthema Die meisten der vorgeschlagenen Trainingsansätze basieren auf rechnerischen Wegen, um den Gradienten der Fehlerfunktion effizient zu erlangen und können in der Regel in fünf Hauptgruppen gruppiert werden Studieren wir presen. How, um rekursive Netzwerke effizient zu trainieren, bleibt ein anspruchsvolles und aktives Forschungsthema Die meisten der vorgeschlagenen Trainingsansätze basieren auf rechnerischen Wegen, um den Gradienten der Fehlerfunktion effizient zu erhalten und können in der Regel in fünf Hauptgruppen gruppiert werden Wir stellen eine Ableitung vor, die diese Ansätze vereint Wir zeigen, dass die Ansätze nur fünf verschiedene Möglichkeiten sind, eine bestimmte Matrixgleichung zu lösen. Das zweite Ziel dieser Arbeit ist die Entwicklung eines neuen Algorithmus auf der Grundlage der Erkenntnisse aus der neuartigen Formulierung. Der neue Algorithmus, der ist Basierend auf der Annäherung des Fehlergradienten, hat eine geringere rechnerische Komplexität bei der Berechnung der Gewichtsaktualisierung als die konkurrierenden Techniken für die meisten typischen Probleme Darüber hinaus erreicht es das Fehler Minimum in einer viel kleineren Anzahl von Iterationen Eine wünschenswerte Eigenschaft von wiederkehrenden Netzwerk-Training Algorithmen ist zu sein In der Lage, die Gewichte online zu aktualisieren Wir haben auch eine Online-Version des vorgeschlagenen Algorithmus entwickelt, die auf der Aktualisierung der Fehlergradienten-Näherung in einer rekursiven Weise basiert. Von Thomas Hellstrm, Kenneth Holmstrm 1999. Dieses Papier beschreibt ASTA, ein künstlicher Stock Trading Agent, in der Matlab-Programmierumgebung Der Hauptzweck des Projektes ist es, einen stabilen und realistischen Prüfstand für die Entwicklung von Multi-Stock Trading-Algorithmen zu liefern. Das Verhalten des Agenten wird von einem High-Level-Langua gesteuert. Dieses Papier beschreibt ASTA, ein künstlicher Stock Trading Agent, in der Matlab Programmierumgebung Der Hauptzweck des Projektes ist es, einen stabilen und realistischen Prüfstand für die Entwicklung von Multi-Aktienhandel Algorithmen liefern Das Verhalten des Agenten wird von einem kontrolliert High-Level-Sprache, die mit erweiterten Funktionen leicht erweiterbar ist Die Kauf - und Verkaufsregeln können interaktiv zusammengestellt werden und verschiedene Arten von Daten-Screening können problemlos durchgeführt werden, alle innerhalb der Matlab m-Datei Sprache Syntax Abgesehen von. von Haizhon Li, Robert Kozma - Proceedings of the 2003 International Joint Conference on Neural Networks 2003. Zusammenfassung In diesem Papier wird das KIII dynamische neuronale Netzwerk eingeführt und es wird auf die Vorhersage komplexer zeitlicher Sequenzen angewendet. In unserem Ansatz gibt KIII Schritt für Schritt Vorhersage der Richtung der Wechselkursänderung Bisher wurde verschiedene Multiplayer-Perceptron MLP net. Abstract In diesem Papier wird das KIII dynamische neuronale Netzwerk eingeführt und es wird auf die Vorhersage komplexer zeitlicher Sequenzen angewendet. In unserem Ansatz gibt KIII einen Schritt - Schrittweise Vorhersage der Richtung der Wechselkursänderung Bisher wurden verschiedene Multiplayer-Perceptron-MLP-Netze und wiederkehrende neuronale Netze für diese Anwendung erfolgreich implementiert. Die Ergebnisse, die durch KIII erzielt wurden, vergleichen sich günstig mit anderen Methoden, wie dem hohen Rauschpegel und dem Nicht-stationäre Art der Daten, Finanzprognose ist eine anspruchsvolle Anwendung in der Zeitreihen-Vorhersage-Domain In dieser Anwendung werden verschiedene Methoden verwendet - 4,5,6,7,9,10 - - In dieser Arbeit verwenden wir das KIII-Modell Prognostizieren die einstufige Richtung des täglichen Wechselkurses Die von uns verwendeten Daten stammen aus 4 Die experimentellen Ergebnisse zeigen die Klassifizierungskapazität des KI. by von Nicolas Chapados, Yoshua Bengio - IEEE Transactions on Neural Networks 2000. Wir führen ein Asset-Allocation Framework ein Auf die aktive Kontrolle des Value-at-Risks des Portfolios In diesem Rahmen vergleichen wir zwei Paradigmen für die Zuordnung mit neuronalen Netzen Die erste nutzt das Netzwerk, um eine Prognose des Vermögensverhaltens in Verbindung mit a. Wir einzuführen Ein Asset-Allocation-Framework, das auf der aktiven Kontrolle des Value-at-Risks des Portfolios basiert. In diesem Rahmen vergleichen wir zwei Paradigmen für die Zuordnung mit neuronalen Netzwerken. Der erste nutzt das Netzwerk, um eine Prognose des Assetverhaltens zu erstellen Konjunktion mit einem traditionellen Mittelwertvarianz-Allokator für den Aufbau des Portfolios Das zweite Paradigma nutzt das Netzwerk, um direkt die Portfolio-Allokationsentscheidungen zu treffen. Wir betrachten eine Methode zur Durchführung von Soft-Input-Variablen-Selektion und zeigen ihren erheblichen Nutzen. Wir verwenden Modellkombination-Methoden zur Systematisierung der Wahl von Hyperparemetern während des Trainings Wir zeigen, dass die Komitees, die beide Paradigmen verwenden, die Benchmark-Marktperformance deutlich übertreffen. 1 Einleitung In Finanzanwendungen hat sich die Idee, Lernalgorithmen nach dem Kriterium des Interesses, wie zB Gewinn, als ein generisches Vorhersagekriterium, zu trainieren, interessiert In den letzten Jahren hat ich in den letzten Jahren Interesse geweckt. In Asset-Allocation-Aufgaben wurde dies auf die Ausbildung von neuronalen Netzwerken angewendet, um eine Sharpe Ratio oder andere risikoadjustierte Gewinnmassnahmen direkt zu maximieren - 1,3,10 - - Eines davon Risikomessung, die vor kurzem erhebliche Aufmerksamkeit erlangt hat, ist der Value-at-Risk-VaR des Portfolios, der die maximale Menge bestimmt, die in der Regel gemessen wird, z. B. das Portfol. by John Moody, Yufeng Liu, Matthew Saffell, Kyoungju Youn - In Proceedings of Artificial Multiagent Lernpapiere aus dem 2004 AAAI Fall Symposium 2004. Wir untersuchen wiederholte Matrix Spiele mit stochastischen Spielern als Mikrokosmos für das Studium dynamischer, Multi-Agenten-Interaktionen mit dem Stochastic Direct Verstärkung SDR Politik Gradienten-Algorithmus SDR ist eine Verallgemeinerung von Recurrent Verstärkung Learning RRL, die unterstützt Stochastische Politik U. Wir untersuchen wiederholte Matrix-Spiele mit stochastischen Spielern als Mikrokosmos für das Studium dynamischer, Multi-Agent-Interaktionen mit dem Stochastic Direct Verstärkung SDR Policy Gradient Algorithmus SDR ist eine Verallgemeinerung von Recurrent Verstärkung Learning RRL, die stochastische Politiken unterstützt Im Gegensatz zu anderen RL-Algorithmen, SDR und RRL verwenden wiederkehrende politische Gradienten, um die zeitliche Kreditvergabe, die sich aus einer wiederkehrenden Struktur ergibt, richtig zu ordnen. Unsere Hauptziele in diesem Papier sind, 1 den wiederkehrenden Speicher von dem standardmäßigen, nicht wiederkehrenden Speicher für den Richtungsgradienten RL zu unterscheiden, 2 vergleichen SDR mit Q-Typ Lernmethoden Für einfache Spiele, 3 unterscheiden reaktive von endogenen dynamischen Agenten Verhalten und 4 erforschen die Verwendung von wiederkehrenden Lernen für interagierende, dynamische Agenten Wir finden, dass SDR Spieler viel schneller und damit übertreffen kürzlich vorgeschlagenen Q-Typ Lernenden für das einfache Spiel Rock, Paper , Schere RPS Mit komplexeren, dynamischen SDR-Spielern und Gegnern zeigen wir, dass wiederkehrende Darstellungen und SDRs wiederkehrende politische Gradienten eine bessere Leistung erzielen als nicht wiederkehrende Spieler Für das Iterierte Gefangenen-Dilemma zeigen wir, dass nicht wiederkehrende SDR-Agenten nur zu einem Defekt lernen Nash-Gleichgewicht, während SDR-Agenten mit wiederkehrenden Gradienten eine Vielzahl von interessanten Verhaltensweisen erlernen können, einschließlich der Zusammenarbeit 1.die, Q-Learning kann nicht leicht skaliert werden bis zu den großen Zustand oder Handlungsräume, die oft in der Praxis auftreten Direkte Verstärkung DR Methoden politischen Gradienten Und Politik-Suche Williams 1992 - Moody Wu 1997- - Moody et al 1998 Baxter Bartlett 2001 Ng Jordanien 2000 stellen politische Ausdrücke dar und verlangen nicht, dass eine Wertfunktion gelernt wird. Richtige Gradientenmethoden versuchen, die Politik von John Moody, Matthew Saffell zu verbessern - In KDD 1998. Wir schlagen vor, Handelssysteme durch die Optimierung von fiktiven Zielfunktionen durch Verstärkungslernen zu trainieren. Die Leistungsfunktionen, die wir als Wertfunktionen betrachten, sind Profit oder Reichtum, die Sharpe-Ratio und unsere kürzlich vorgeschlagene differenzielle Sharpe-Ratio für das Online-Lernen In Moody W. We schlagen wir vor, Handelssysteme durch die Optimierung von fiktiven objektiven Funktionen über das Verstärkungslernen zu trainieren. Die Leistungsfunktionen, die wir als Wertfunktionen betrachten, sind Profit oder Reichtum, die Sharpe-Ratio und unsere kürzlich vorgeschlagene Differential-Sharpe-Ratio für das Online-Lernen Moody amp Wu 1997 haben wir empirische Ergebnisse in kontrollierten Experimenten vorgestellt, die die Vorteile des Verstärkungslernens für das betreute Lernen demonstrierten. Hier erweitern wir unsere bisherige Arbeit, um Q-Learning mit einer auf Echtzeit basierenden Verstärkungslerntechnik zu vergleichen Rezidivierende Lern-RTRL, die sofortige Belohnung maximiert Unsere Simulationsergebnisse beinhalten eine spektakuläre Demonstration des Vorhandenseins von Vorhersehbarkeit im Monat. Von N Towers, AN Burgess - Computational Finance Proceedings of the Sechste Internationale Konferenz über Computational Finance The 1999. In diesem Papier Wir implementieren Handelsstrategien für Asset-Preis-Prognosemodelle mit parametrisierten Entscheidungsregeln Wir entwickeln ein synthetisches Handelsumfeld, um die relativen Effekte in Bezug auf die Rentabilität zu untersuchen, um das Prognosemodell und die Entscheidungsregel zu modifizieren. Wir zeigen, dass imp In diesem Papier wir implementieren Handelsstrategien für Vermögenspreisprognosemodelle mit parametrisierten Entscheidungsregeln Wir entwickeln ein synthetisches Handelsumfeld, um die relativen Effekte in Bezug auf die Rentabilität zu untersuchen, das Prognosemodell und die Entscheidungsregel zu modifizieren. Wir zeigen, dass die Umsetzung der Handelsregel so wichtig sein kann Handelsleistung als prädiktive Fähigkeit des Prognosemodells Wir wenden diese Techniken auf ein Beispiel eines Prognosemodells an, das aus einem intra-tagigen quotenstatischen Missbrauch einer Kombination von Aktienindizes generiert wird. Ergebnisse zeigen, dass die Optimierung von Entscheidungsregeln die Handelsleistung deutlich verbessern kann Annualisierte Sharpe Ratio, die um bis zu einem Faktor von zwei über eine nave Handelsregel ansteigt Um dieses Niveau der Leistungssteigerung durch das Prognosemodell allein zu erreichen, würde eine 50 Verbesserung der Vorhersagegenauigkeit erfordern 1 Einleitung In den letzten Jahren eine erhebliche Menge an Forschung Englisch: www. tab. fzk. de/en/projekt/zusammenf...ng/ab117.htm Die Entscheidungsphase, die die Prognoseinformationen in eine Maßnahme umwandelt, die in diesem Fall die Handelsposition ändert, Sind Beispiele für Methoden, die diese beiden Stufen zu einem kombinieren. Diese Handelsstrategien verwenden ein einziges Modell, um eine gemeinsame Optimierung über die Prognose durch Thomas Hellstrm 1998 durchzuführen. Dieses Papier beschreibt die Prinzipien und die Umsetzung von ASTA, einem künstlichen Börsenhandel Geschrieben in der Matlab-Sprache Der Hauptzweck des Projektes ist es, ein einfach zu bedienendes Umfeld für die Entwicklung von Multi-Aktienhandel Algorithmen. Dieses Papier beschreibt die Grundsätze und die Umsetzung von ASTA, ein künstlicher Stock Trading Agent in Matlab geschrieben Sprache Der Hauptzweck des Projektes ist es, ein einfach zu bedienendes Umfeld für die Entwicklung von Multi-Aktienhandel Algorithmen. by N Towers, AN Burgess 1998. Im Rahmen einer dynamischen Trading-Strategie, die ultimative Zweck eines Prognosemodells ist Um Maßnahmen zu wählen, die zur Optimierung des Handelsziels führen In dieser Arbeit entwickeln wir eine Methodik zur Optimierung einer objektiven Funktion, mit einer parametrisierten Entscheidungsregel für ein Geben. Im Rahmen einer dynamischen Handelsstrategie ist der ultimative Zweck jeder Prognose Modell ist es, Maßnahmen zu wählen, die zur Optimierung des Handelsziels führen In dieser Arbeit entwickeln wir eine Methodik zur Optimierung einer Zielfunktion mit einer parametrisierten Entscheidungsregel für ein gegebenes Prognosemodell Wir simulieren die erwartete Handelsleistung für unterschiedliche Entscheidungsparameter und - niveaus Der Vorhersagegenauigkeit Wir wenden dann die Technik auf ein Prognosemodell des Missbrauchs innerhalb einer Gruppe von Aktienindizes an Wir zeigen, dass die Optimierung der vorgeschlagenen Entscheidungsregel die annualisierte Sharpe Ratio um einen Faktor von 1 7 über eine naive Entscheidungsregel von Kai Chun erhöhen kann Chiu, Lei Xu - in JR Dorronsoro Ed Künstliche Neuronale Netzwerke - ICANN 2002, LNCS 2415 2002. Abstract Adaptives Portfolio-Management wurde in der Literatur der neuronalen Netze und maschinelles Lernen untersucht Das kürzlich entwickelte Timer-Faktor-Analyse-TFA-Modell zielte vor allem auf die weitere Untersuchung Die Arbitrage Pricing Theory APT hat potenzielle Anwendungen in Portfolio man. Abstract Adaptive Portfolio-Management wurde in der Literatur der neuronalen Netze und maschinelles Lernen untersucht Das kürzlich entwickelte Timeal Factor Analysis TFA-Modell vor allem für die weitere Studie der Arbitrage Pricing Theory APT gezielt Hat potenzielle Anwendungen im Portfoliomanagement. In diesem Beitrag wollen wir die Überlegenheit des APT-basierten Portfoliomanagements über das renditeorientierte Portfoliomanagement veranschaulichen 1.e traditionelle Markowitz-Portfolio-Theorie 8 im Rahmen künstlicher neuronaler Netzwerke In der Literatur, Adaptives Portfoliomanagement durch Maximierung des bekannten Sharpe-Verhältnisses 4 wurde in - 1, 2 - - untersucht. Solche Ansätze behandeln jedoch die Gewichte als Konstanten oder hängen direkt von den Sicherheitsrenditen ab. Vor kurzem wurde eine neue Technik namens "Temporale Faktoranalyse" vorgeschlagen Von 5 mit einem.