On Data-Driven Log-Optimal Portfolio: A Sliding Window Approach

資料來源

項目	連結
arXiv	https://arxiv.org/abs/2206.12148
期刊	IFAC-PapersOnLine, vol. 55, no. 30, pp. 474–479（2022）

論文基本資訊

項目	內容
作者	Pei-Ting Wang、Chung-Han Hsieh
首版	2022-06

一句話摘要

把 log-optimal portfolio 從離線一次解出常數權重改成滾動視窗解，每期重新最佳化得到時變權重；歷史回測累積報酬率超越傳統 log-optimal。

核心貢獻

1. Sliding window 架構：每期只用最近 N 期資料解一次 log-optimal，得到當期權重。
2. 時變權重 vs 常數權重對比：累積報酬率顯著改善。
3. 資料驅動 + 線上化：不需要事前知道分布，用最近樣本不斷更新。

目前限制與注意事項

• 視窗長度 N 是超參數，缺一般化選擇規則。
• 高頻資料下計算負荷高（每期都要重解）。
• 沒有顯式處理 transaction cost。

研究價值與啟示

關鍵洞察

1. 「靜態最佳 → 滾動最佳」是 log-optimal 走向實務的必經之路：傳統 Kelly / log-optimal 的詬病就是「假設知道真實分布」，sliding window 用「最近 N 期經驗分布」替代，是實作的合理妥協。
2. 與 frequency-based optimal portfolio 互補：作者另一條 frequency 路線把「再平衡頻率」當變數，本篇把「視窗長度」當變數 ── 兩條都是把單一靜態解變多參數可調的表現體。
3. 每期重解 = online learning：等於把 log-optimal 接到 online optimization / online learning 框架，可以期待引入 adaptive 學習率、regret bound 等工具。
4. IFAC 的小篇幅短暫：6 頁論文做核心 idea POC，後續 frequency-based with cost（2301.02754）才把這條路線完整化。

與其他研究筆記的關聯

• Frequency-Based Optimal Portfolio with Costs ── 同 sliding window 主題的後續完整版（含成本）。
• Robust Log-Optimal Hyperplane ── distributionally robust 的姊妹解法。