Cost-Sensitive Online Window Size Selection for Portfolio Management
Aggiunta all'archivio di AIChronos il (numero del 24 settembre 2026 ricostruito)· fonte del · Yi-Chen Liu, Chung-Han Hsieh
Questo studio propone un framework a due livelli per la gestione di portafogli finanziari che seleziona online le dimensioni delle finestre in modo sensibile ai costi. Trattando diverse dimensioni della finestra come 'esperti', il sistema aggiorna dinamicamente i pesi di aggregazione utilizzando perdite inclusive del turnover (rotazione). L'autore deriva limiti teorici sul regret di tracking a orizzonte finito che considerano esplicitamente i costi di transazione, generalizzando il caso statico. Sotto condizioni specifiche sui budget di switching sublineari e con algoritmi come Fixed Share o Hedge, si ottiene un regret asintotico nullo.
- Framework a due livelli per la costruzione dinamica di portafogli finanziari.
- Utilizzo del turnover-inclusive losses per aggiornare i pesi degli 'esperti' (candidate window sizes).
- Derivazione di bound sul tracking-regret che includono esplicitamente il costo di transazione.
- Adozione di algoritmi come Fixed Share e Hedge per gestire scenari statici e dinamici.
- Validità asintotica del metodo con budget di switching sublineari.
Perché conta. Sebbene il paper si concentri sulla finanza, i concetti di aggregazione dinamica di 'esperti' (Mixture of Experts) e gestione dei costi operativi sono direttamente applicabili allo sviluppo di agenti AI locali che devono ottimizzare l'inference bilanciando accuratezza e consumo computazionale.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.