Online Moving Average Reversion

Gleitende durchschnittliche Umstellungsstrategie für die Online-Portfolioauswahl Bin Li a. , Steven C. H. Hoi b. . , Doyen Sahoo b. , Zhi-Yong Liu c. Eine Volkswirtschaft und Management-Schule, Wuhan Universität, Wuhan 430072, PR China b Schule der Informationssysteme, Singapur-Management-Universität, 178902, Singapur c Institut für Automatisierung, Chinesische Akademie der Wissenschaften, Peking 100080, VR China empfing 17. Dezember 2012, überarbeitet am 24. Januar 2015, Akzeptiert 28. Januar 2015, Online verfügbar 2 Februar 2015Online-Portfolio-Auswahl, ein grundlegendes Problem in Computational Finance, hat in den letzten Jahren zunehmend Interesse von künstlichen Intelligenz und Maschine Lernen Gemeinschaften angezogen. Empirische Beweise zeigen, dass Aktien hoch und niedrig Preise sind vorübergehend und Aktienkurse sind wahrscheinlich, die mittlere Reversion Phänomen folgen. Während bestehende mittlere Reversionsstrategien gezeigt werden, dass sie eine gute empirische Leistung auf vielen realen Datensätzen erzielen, machen sie häufig die einstufige mittlere Reversionsannahme, die nicht immer erfüllt ist, was zu einer schlechten Leistung in bestimmten realen Datensätzen führt. Um diese Einschränkung zu überwinden, schlägt dieser Artikel eine mehrperiodische mittlere Reversion vor. Oder das sogenannte ldquoMoving Average Reversionrdquo (MAR) und eine neue Online-Portfolio-Auswahlstrategie mit dem Namen ldquoOn-Line Moving Average Reversionrdquo (OLMAR), die MAR durch effiziente und skalierbare Online-Maschinellen Lerntechniken nutzt. Aus unseren empirischen Ergebnissen auf realen Märkten haben wir festgestellt, dass OLMAR die Nachteile bestehender mittlerer Reversionsalgorithmen überwinden und signifikant bessere Ergebnisse erzielen kann, insbesondere bei den Datensätzen, bei denen bestehende mittlere Reversionsalgorithmen fehlgeschlagen sind. Zusätzlich zu seiner überlegenen empirischen Leistung, OLMAR läuft auch extrem schnell, weitere Unterstützung seiner praktischen Anwendbarkeit für eine breite Palette von Anwendungen. Schließlich haben wir alle Datenbestände und Quellcodes dieser Arbeit auf unserer Projekt-Website öffentlich zugänglich gemacht: OLPS. stevenhoi. org/. Portfolioauswahl Online-Lernen Mittelrückversetzung Durchschnittliche Umkehrbewegung Die Kurzfassung dieser Arbeit 42 erschien auf der 29. Internationalen Konferenz zum Maschinellen Lernen (ICML 2012). Copyright-Kopie 2015 Elsevier B. V. Alle Rechte vorbehalten. Cookies werden von dieser Website verwendet. Weitere Informationen finden Sie auf der Cookieseite. Copyright 2016 Elsevier B. V. oder seine Lizenzgeber oder Mitwirkenden. ScienceDirect ist ein eingetragenes Warenzeichen von Elsevier B. V.Moving Durchschnittliche Reversion-Strategie für die On-Line-Portfolio-Selektion Abstraktes Abstraktes ABSTRACT: Wir untersuchen, wie und wann das Kapital über Vermögenswerte, d. H. Das Portfolioauswahlproblem, aus einer Signalverarbeitungsperspektive zu diversifizieren ist. Zu diesem Zweck konstruieren wir zunächst Portfolios, die das optimale erwartete Wachstum in i. i.d. Diskontinuierlichen Zwei-Asset-Märkten unter proportionalen Transaktionskosten. Wir erweitern unsere Analyse auf Märkte mit mehr als zwei Aktien. Der Markt wird durch eine Folge von Preisrelativvektoren mit beliebigen diskreten Verteilungen modelliert, die auch zur Annäherung einer breiten Klasse von kontinuierlichen Verteilungen verwendet werden können. Um das optimale Wachstum zu erreichen, verwenden wir Schwellenportfolios, wo wir ein rekursives Update zur Berechnung des erwarteten Vermögens einführen. Wir zeigen dann, dass unter dem Schwellenrebalancing-Rahmen die erreichbaren Portfolios elegant zu einer nicht reduzierbaren Markov-Kette unter milden technischen Bedingungen werden. Wir bewerten die entsprechende stationäre Verteilung dieser Markov-Kette, die eine natürliche und effiziente Methode zur Berechnung des kumulierten erwarteten Vermögens liefert. Nachfolgend werden die entsprechenden Parameter optimiert, so dass das wachstumsoptimale Portfolio unter den proportionalen Transaktionskosten in i. i.d. Diskrete Zeit-Zwei-Asset-Märkte. Als weithin bekanntes finanzielles Problem lösen wir auch das optimale Portfolioauswahlproblem in diskreten Zeitmärkten, die durch die Erfassung von kontinuierlichen Brown'schen Märkten konstruiert werden. Für den Fall, dass die zugrunde liegenden diskreten Verteilungen der Preisrelativvektoren unbekannt sind, bieten wir einen Maximum-Likelihood-Schätzer an, der ebenfalls in das Optimierungs-Framework in unseren Simulationen einbezogen wird. Artikel Oktober 2015 N. Denizcan Vanli Sait Tunc Mehmet A. Donmez Suleyman S. KozatOn-Line Portfolioauswahl mit Moving Average Reversion Zusammenfassung anzeigen Zusammenfassung verstecken ABSTRACT: Die Online-Portfolioauswahl hat in den letzten Jahrzehnten zunehmend Interesse von der künstlichen Intelligenzgemeinschaft geweckt. Die mittlere Reversion, als eines der häufigsten Muster auf den Finanzmärkten, spielt eine wichtige Rolle bei einigen Strategien des Standes der Technik. Obwohl in bestimmten Datensätzen erfolgreich, bestehen bestehende mittlere Reversionsstrategien in den Daten nicht vollständig über Rauschen und Ausreißer, was zu Schätzfehlern und damit nicht optimalen Portfolios führt, was in der Praxis zu schlechten Ergebnissen führt. Um die Begrenzung zu überwinden, schlagen wir vor, das Reversion-Phänomen durch einen robusten L1-Median-Schätzer auszuschöpfen und eine neue Online-Portfolio-Auswahlstrategie mit dem Namen quotRobust Median Reversionquot (RMR) zu entwickeln, die optimale Portfolios basierend auf der verbesserten Reversionschätzung bildet. Empirische Ergebnisse auf verschiedenen realen Märkten zeigen, dass RMR die Nachteile bestehender mittlerer Reversionsalgorithmen überwinden und deutlich bessere Ergebnisse erzielen kann. Schließlich läuft RMR in linearer Zeit und ist somit für große Handelsanwendungen geeignet. Konferenzpapier Aug 2013 Abstract anzeigen Zusammenfassung verstecken ABSTRACT: Passive aggressive Algorithmen für die Online-Portfolio-Auswahl, wie zum Beispiel PAMR, wurden vor kurzem empirisch gezeigt, um an verschiedenen Börsen State-of-the-Art-Performance zu erreichen. Angespornt durch das mehrperiodische Mittelwert-Reversionsprinzip in Antic oder Algorithmus, präsentieren wir einen passiven aggressiven Algorithmus, indem wir eine gleitende gemittelte Verlustfunktion einführen und eine neuartige Online-Portfolio-Auswahlstrategie mit dem Namen WWMAMR ("Moving Average Mean Reversionquot") erreichen. Die Strategie ist in der Lage, effektiv nutzen die Macht der Mittelwert Reversion für die Online-Portfolio-Auswahl. Umfangreiche Experimente auf verschiedenen realen Märkten zeigen die Wirksamkeit unserer Strategie im Vergleich zu PAMR, insbesondere bei Transaktionskosten. Konferenzpapier Aug. 2013 Li Gao Weiguo Zhang Abstract Zusammenfassung ABSTRAKT: Passive aggressive Algorithmen für die Online-Portfolio-Auswahl sind in jüngster Zeit empirisch gezeigt worden, um an verschiedenen Börsen State-of-the-Art-Performance zu erreichen. PAMR, eine der Online-Portfolio-Auswahl, basiert auf passiven aggressiven Algorithmen mit einer unempfindlichen Verlustfunktion. Angespornt durch die mittlere Reversionseigenschaft und die Momentum-Eigenschaft der Finanzmärkte stellen wir einen passiven aggressiven Algorithmus vor, indem wir eine stückweise Verlustfunktion einführen und eine neue Online-Portfolio-Auswahlstrategie namens Passive Aggressive Combined Strategy (PACS) erreichen. PACS ist in der Lage, effektiv nutzen die Macht der Preisumkehr und Preismomentum für die Online-Portfolio-Auswahl. Aus unseren empirischen Ergebnissen ergibt sich, dass PACS die Nachteile bestehender mittlerer Reversionsalgorithmen oder Impulsalgorithmen überwinden und deutlich bessere Ergebnisse erzielen kann. Neben der überlegenen Leistung läuft PACS auch extrem schnell und eignet sich somit hervorragend für reale Großanwendungen. Kapitel Dezember 2013 Li Gao Weiguo Zhang Qiang Tang