Matemáticamente, la optimización de la cartera implica invertir una matriz, mientras que PCA implica encontrar sus valores y vectores propios. Claramente, si realiza PCA, encontrar el inverso es fácil, pero sería usar una herramienta más poderosa que la necesaria para resolver un problema. Probablemente hay formas en que PCA puede ayudar a la optimización de la cartera en algunos casos. Por ejemplo, mantener solo los primeros componentes [matemáticos] k [/ matemáticos] puede reducir el ruido. Sin embargo, ese es un problema específico y puede o no agregar valor. También hay otras formas de manipular la matriz de covarianza, y PCA es solo uno de los muchos enfoques.
En cuanto a la cuestión más amplia de combinar estrategias malas para producir una buena, puede mejorar los retornos ajustados al riesgo combinando estrategias, pero si ninguna de sus estrategias tiene retornos positivos para empezar, no hay mucho que pueda hacer.
- ¿Hay alguna trampa en los recientes anuncios de Microsoft e IBM sobre los avances en el reconocimiento de voz?
- ¿Cuál es la mejor manera de manejar los valores atípicos en Machine Learning?
- ¿Cuánto Python necesito saber para completar un nanogrado de aprendizaje automático de Udacity?
- ¿Cuáles son los prerrequisitos matemáticos para estudiar el aprendizaje automático?
- ¿El aprendizaje por refuerzo es escalable?