Online Moving Average Reversion

Strategi pengembalian rata-rata bergerak untuk pemilihan portofolio on-line Bin Li a. , Steven C. H. Hoi b. . , Doyen Sahoo b. , Zhi-Yong Liu c. Sebuah Sekolah Ekonomi dan Manajemen, Universitas Wuhan, Wuhan 430072, PR China b School of Information Systems, Singapore Management University, 178902, Singapore c Institut Otomasi, Akademi Ilmu Pengetahuan China, Beijing 100080, PR China Diterima 17 Desember 2012, Revisi 24 Januari 2015, Diterima 28 Januari 2015, Tersedia secara online 2 Februari 2015 Seleksi portofolio online, masalah mendasar dalam keuangan komputasi, telah menarik minat yang meningkat dari komunitas pembuat kecerdasan buatan dan mesin dalam beberapa tahun terakhir. Bukti empiris menunjukkan bahwa harga saham yang tinggi dan rendah bersifat sementara dan harga saham cenderung mengikuti fenomena reversi rata-rata. Sementara strategi pembalikan rata-rata yang ada ditunjukkan untuk mencapai kinerja empiris yang baik pada banyak dataset nyata, mereka sering membuat asumsi pengembalian rata-rata periode, yang tidak selalu terpenuhi, yang menyebabkan kinerja buruk dalam dataset nyata tertentu. Untuk mengatasi keterbatasan ini, artikel ini mengusulkan pengembalian beberapa periode yang berarti. Atau yang disebut ldquoMoving Average Reversionrdquo (MAR), dan strategi pemilihan portofolio on-line baru yang diberi nama ldquoOn-Line Moving Average Reversionrdquo (OLMAR), yang mengeksploitasi MAR melalui teknik pembelajaran mesin online yang efisien dan terukur. Dari hasil empiris kami di pasar nyata, kami menemukan bahwa OLMAR dapat mengatasi kekurangan algoritma pembalikan rata-rata yang ada dan mencapai hasil yang secara signifikan lebih baik, terutama pada dataset dimana algoritma pembalikan mean yang ada gagal. Selain kinerja empiris yang superior, OLMAR juga berjalan sangat cepat, yang selanjutnya mendukung penerapan praktisnya pada beragam aplikasi. Akhirnya, kami telah membuat semua kumpulan data dan kode sumber dari karya ini tersedia untuk umum di situs web proyek kami: OLPS. stevenhoi. org. Pilihan Portofolio Pembelajaran online Pembalikan rata-rata Pengembalian rata-rata bergerak Versi pendek dari pekerjaan ini 42 muncul pada Konferensi Internasional tentang Pembelajaran Mesin ke-29 (ICML 2012). Hak cipta copy 2015 Elsevier B. V. Semua hak dilindungi undang-undang. Cookie digunakan oleh situs ini. Untuk informasi lebih lanjut, kunjungi halaman cookies. Hak Cipta 2017 Elsevier B. V. atau pemberi lisensinya atau kontributornya. ScienceDirect adalah merek dagang terdaftar dari Elsevier BVDonate kepada arXiv arXiv. org gt cs gt arXiv: 1206.4626 Ilmu Komputer Teknik Komputasi, Keuangan, dan Ilmu Judul: Seleksi Portofolio On-Line dengan Moving Average Reversion (Dikirimkan pada 18 Jun 2012) Abstrak: Pada Seleksi portofolio telah menarik minat yang meningkat dalam pembelajaran mesin dan komunitas AI baru-baru ini. Bukti empiris menunjukkan bahwa harga saham yang tinggi dan rendah bersifat sementara dan harga saham kerabat cenderung mengikuti fenomena reversi rata-rata. Sementara strategi pembalikan rata-rata yang ada ditunjukkan untuk mencapai kinerja empiris yang baik pada banyak dataset nyata, mereka sering membuat asumsi pengembalian rata-rata periode, yang tidak selalu terpenuhi dalam beberapa dataset nyata, yang menyebabkan kinerja buruk ketika asumsi tidak dipegang. Untuk mengatasi keterbatasan tersebut, artikel ini mengusulkan pembalikan rata-rata berganda, atau disebut Moving Average Reversion (MAR), dan strategi pemilihan portofolio on-line baru bernama On-Line Moving Average Reversion (OLMAR), yang mengeksploitasi MAR oleh Menerapkan teknik belajar online yang hebat. Dari hasil empiris kami, kami menemukan bahwa OLMAR dapat mengatasi kelemahan algoritma pembalikan rata-rata yang ada dan mencapai hasil yang secara signifikan lebih baik, terutama pada dataset dimana algoritma pembalikan mean yang ada gagal. Selain kinerja perdagangan yang superior, OLMAR juga berjalan sangat cepat, selanjutnya mendukung penerapan praktisnya terhadap berbagai macam aplikasi. Strategi Pembalikan Rata-rata untuk Seleksi Portofolio On-Line Tunjukkan abstrak Abstrak: Kami menyelidiki bagaimana dan kapan melakukan diversifikasi modal melebihi Aset, yaitu masalah pemilihan portofolio, dari perspektif pemrosesan sinyal. Untuk tujuan ini, pertama-tama kami membangun portofolio yang mencapai pertumbuhan optimal yang diharapkan di i. i.d. Pasar dua aset dua diskrit dengan biaya transaksi proporsional. Kami kemudian memperluas analisis kami untuk mencakup pasar yang memiliki lebih dari dua saham. Pasar dimodelkan oleh urutan harga vektor relatif dengan distribusi diskrit sewenang-wenang, yang juga dapat digunakan untuk mendekati kelas yang luas dari distribusi kontinyu. Untuk mencapai pertumbuhan yang optimal, kami menggunakan portofolio ambang batas, di mana kami memperkenalkan pembaharuan rekursif untuk menghitung kekayaan yang diharapkan. Kami kemudian menunjukkan bahwa di bawah kerangka penyeimbangan ambang batas, rangkaian portofolio yang dapat dicapai secara elegan membentuk rantai Markov yang tidak dapat direduksi dalam kondisi teknis ringan. Kami mengevaluasi distribusi stasioner yang sesuai dari rantai Markov ini, yang menyediakan metode alami dan efisien untuk menghitung kekayaan yang diharapkan kumulatif. Selanjutnya, parameter yang sesuai dioptimalkan menghasilkan portofolio optimal pertumbuhan berdasarkan biaya transaksi proporsional di i. i.d. Pasar dua aset dua diskrit. Sebagai masalah keuangan yang dikenal luas, kami juga memecahkan masalah pemilihan portofolio optimal di pasar diskrit yang dibangun dengan mengambil sampel pasar Brown yang kontinyu. Untuk kasus dimana distribusi diskrit yang mendasari dari vektor relatif harga tidak diketahui, kami menyediakan estimator likelihood maksimum yang juga digabungkan dalam kerangka optimasi dalam simulasi kami. Artikel Okt 2015 N. Denizcan Vanli Sait Tunc Mehmet A. Donmez Suleyman S. Kozat Orang yang membaca publikasi ini juga membaca teks lengkap Artikel Jan 2011 Ingenieria e Investigacin Manfred Gilli Dietmar Maringer Enrico Schumann Teks lengkap Artikel Apr 2008 Mario Linares Vsquez Diego Fernando Hernndez Losada Fabio Gonzlez Osorio Teks lengkap Artikel Nov 2001 Ingenieria e Investigacin Allan Borodin Vincent Gogan Data yang diberikan adalah untuk tujuan informasi saja. Meski dengan hati-hati dikumpulkan, akurasi tidak bisa dijamin. Kondisi penayang disediakan oleh RoMEO. Ketentuan berbeda dari kebijakan sebenarnya atau perjanjian lisensi mungkin berlaku. Publikasi ini berasal dari jurnal yang bisa mendukung pengarsipan diri.