最优线性信号：一种利用线性信号优化盈亏的无监督机器学习框架
Optimal Linear Signal: An Unsupervised Machine Learning Framework to Optimize PnL with Linear Signals
AI总结：
本文提出一种无监督机器学习框架，通过线性构造交易信号并最大化夏普比率来优化量化金融盈亏，并在美国国债ETF上验证了其有效性。
摘要：
本研究提出了一种无监督机器学习方法，用于优化量化金融中的盈亏（PnL）。我们的算法类似于线性回归的无监督变体，最大化由外生变量线性构造的信号所产生的盈亏的夏普比率（Sharpe Ratio）。该方法采用外生变量与交易信号之间的线性关系，目标是通过参数优化来最大化夏普比率。在一只代表美国国债的ETF上的实证应用证明了该模型的有效性，并辅以正则化技术来缓解过拟合。研究最后提出了进一步发展的潜在方向，包括广义时间步长和增强的修正项。
英文摘要：
This study presents an unsupervised machine learning approach for optimizing Profit and Loss (PnL) in quantitative finance. Our algorithm, akin to an unsupervised variant of linear regression, maximizes the Sharpe Ratio of PnL generated from signals constructed linearly from exogenous variables. The methodology employs a linear relationship between exogenous variables and the trading signal, with the objective of maximizing the Sharpe Ratio through parameter optimization. Empirical application on an ETF representing U.S. Treasury bonds demonstrates the model's effectiveness, supported by regularization techniques to mitigate overfitting. The study concludes with potential avenues for further development, including generalized time steps and enhanced corrective terms.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
