Online Moving Average Reversion

Verschieben der durchschnittlichen Reversionsstrategie für die Online-Portfolioauswahl Bin Li a. , Steven C. H. Hoi b. . , Doyen Sahoo b. , Zhi-Yong Liu c. Eine Wirtschafts - und Management-Schule, Wuhan Universität, Wuhan 430072, PR China b School of Information Systems, Singapur Management University, 178902, Singapur c Institut für Automatisierung, Chinesische Akademie der Wissenschaften, Peking 100080, PR China erhielt 17. Dezember 2012, überarbeitet am 24. Januar 2015, Akzeptiert 28. Januar 2015, Verfügbar online 2. Februar 2015Online-Portfolio-Auswahl, ein grundlegendes Problem in der Computerfinanzierung, hat in den letzten Jahren zunehmend Interesse an künstlichen Intelligenz - und maschinellen Lerngemeinschaften geweckt. Empirische Beweise zeigen, dass Aktien hohe und niedrige Preise sind vorübergehend und Aktienkurse sind wahrscheinlich, die mittlere Reversion Phänomen folgen. Während vorhandene mittlere Reversionsstrategien gezeigt werden, um eine gute empirische Leistung auf vielen realen Datensätzen zu erzielen, machen sie oft die einperrige mittlere Reversion-Annahme, die nicht immer zufrieden ist und zu einer schlechten Leistung in bestimmten realen Datensätzen führt. Um diese Einschränkung zu überwinden, schlägt dieser Artikel eine mehrfache mittlere Reversion vor. Oder so genannte ldquoMoving Average Reversionrdquo (MAR) und eine neue Online-Portfolio-Auswahlstrategie namens ldquoOn-Line Moving Average Reversionrdquo (OLMAR), die MAR über effiziente und skalierbare Online-Lerntechniken ausnutzt. Aus unseren empirischen Ergebnissen auf realen Märkten haben wir festgestellt, dass OLMAR die Nachteile bestehender mittlerer Reversionsalgorithmen überwinden und deutlich bessere Ergebnisse erzielen kann, vor allem auf den Datensätzen, in denen vorhandene mittlere Reversionsalgorithmen fehlgeschlagen sind. Zusätzlich zu seiner überlegenen empirischen Leistung läuft OLMAR auch extrem schnell und unterstützt damit seine praktische Anwendbarkeit auf ein breites Anwendungsspektrum. Schließlich haben wir alle Datensätze und Quellcodes dieser Arbeit öffentlich auf unserer Projektwebseite zur Verfügung gestellt: OLPS. stevenhoi. org. Portfolio-Auswahl On-line Lernen Mittlere Reversion Bewegliche durchschnittliche Reversion Die kurze Version 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 Seite benutzt. Weitere Informationen finden Sie auf der Seite "Cookies". Copyright 2017 Elsevier B. V. oder seine Lizenzgeber oder Mitwirkenden. ScienceDirect ist ein eingetragenes Warenzeichen von Elsevier BVDonate zu arXiv arXiv. org gt cs gt arXiv: 1206.4626 Informatik Computational Engineering, Finanzen und Wissenschaft Titel: On-Line Portfolio Auswahl mit Moving Average Reversion (Eingereicht am 18 Jun 2012) Abstract: On - line Portfolio-Auswahl hat zunehmend Interesse an maschinellem Lernen und AI-Communities vor kurzem angezogen. Empirische Beweise zeigen, dass Aktien hoch und niedrige Preise sind vorübergehend und Aktienkurs Verwandten sind wahrscheinlich, die mittlere Reversion Phänomen folgen. Während die vorhandenen mittleren Reversionsstrategien gezeigt werden, um eine gute empirische Leistung auf vielen realen Datensätzen zu erzielen, machen sie oft die einperrige mittlere Reversion-Annahme, die in einigen realen Datensätzen nicht immer erfüllt ist, was zu einer schlechten Leistung führt, wenn die Annahme nicht gilt. Um die Beschränkung zu überwinden, schlägt dieser Artikel eine mehrfache mittlere Reversion oder eine sogenannte Moving Average Reversion (MAR) vor und eine neue Online-Portfolio-Auswahlstrategie mit dem Namen On-Line Moving Average Reversion (OLMAR), die MAR durchführt Anwendung leistungsstarker Online-Lerntechniken. Aus unseren empirischen Ergebnissen haben wir festgestellt, dass OLMAR den Nachteil bestehender mittlerer Reversion-Algorithmen überwinden und deutlich bessere Ergebnisse erzielen kann, vor allem auf den Datensätzen, in denen die vorhandenen mittleren Reversionsalgorithmen fehlgeschlagen sind. Neben der überlegenen Handelsleistung läuft OLMAR auch äußerst schnell und unterstützt damit seine praktische Anwendbarkeit auf ein breites Anwendungsspektrum. Moving Durchschnittliche Reversionsstrategie für On-Line Portfolio Auswahl Abstrakt Ausblenden Abstrakt ABSTRAKT: Wir untersuchen, wie und wann das Kapital zu diversifizieren Vermögenswerte, dh das Portfolio-Auswahlproblem, aus einer Signalverarbeitungsperspektive. Zu diesem Zweck konstruieren wir zunächst Portfolios, die das optimale erwartete Wachstum in i. i.d. Diskrete 2-Asset-Märkte unter proportionalen Transaktionskosten. Wir erweitern dann unsere Analyse auf Märkte mit mehr als zwei Aktien. Der Markt wird durch eine Folge von Preisrechtsvektoren mit beliebigen diskreten Verteilungen modelliert, die auch verwendet werden können, um eine breite Klasse von kontinuierlichen Verteilungen zu approximieren. Um das optimale Wachstum zu erreichen, verwenden wir Schwellenportfolios, wo wir ein rekursives Update einführen, um den erwarteten Reichtum zu berechnen. Wir zeigen dann, dass unter dem Schwellen-Rebalancing-Rahmen die erreichbaren Portfolios elegant eine irreduzible Markov-Kette unter milden technischen Bedingungen bilden. Wir bewerten die entsprechende stationäre Verteilung dieser Markov-Kette, die eine natürliche und effiziente Methode zur Berechnung des kumulierten erwarteten Reichtums bietet. Anschließend werden die entsprechenden Parameter optimiert, wobei das wachstumsoptimale Portfolio unter proportionalen Transaktionskosten in i. i.d. Diskrete Zeit-Zwei-Asset-Märkte. Als weithin bekanntes finanzielles Problem lösen wir auch das optimale Portfolio-Auswahlproblem in diskreten Zeitmärkten, die durch die Probenahme von kontinuierlich-braunen Märkten aufgebaut werden. Für den Fall, dass die zugrunde liegenden diskreten Verteilungen der Preisrechtsvektoren unbekannt sind, bieten wir einen Maximum-Likelihood-Schätzer an, der auch in unseren Simulationen in das Optimierungs-Framework integriert ist. Artikel Okt 2015 N. Denizcan Vanli Sait Tunc Mehmet A. Donmez Suleyman S. Kozat Personen, die diese Publikation lesen lesen auch lesen Volltext Artikel Jan 2011 Ingenieria e Investigacin Manfred Gilli Dietmar Maringer Enrico Schumann Volltext Artikel Apr 2008 Mario Linares Vsquez Diego Fernando Hernndez Losada Fabio Gonzlez Osorio Volltext Artikel Nov 2001 Ingenieria e Investigacin Allan Borodin Vincent Gogan Die Daten dienen nur zu Informationszwecken. Obwohl sorgfältig gesammelt, kann Genauigkeit nicht garantiert werden. Publisher-Bedingungen werden von RoMEO zur Verfügung gestellt. Abweichende Bestimmungen aus der Verlagsrichtlinie oder der Lizenzvereinbarung können anwendbar sein. Diese Publikation ist aus einer Zeitschrift, die Selbstarchivierung unterstützen kann.