اختيار المحافظ عبر الإنترنت باستخدام ارتداد المتوسط المتحرك

الملخص

تقدم هذه المقالة ارتداد المتوسط المتحرك (MAR) بوصفه بديلًا متعدد الفترات لافتراض الارتداد إلى المتوسط خلال فترة واحدة، المستخدم في بعض استراتيجيات المحافظ عبر الإنترنت. وتقترح ارتداد المتوسط المتحرك عبر الإنترنت (OLMAR)، الذي يطبق تقنيات التعلم عبر الإنترنت لبناء محافظ تستند إلى MAR. والدافع هو أن الارتفاعات والانخفاضات المؤقتة في أسعار الأسهم قد ترتد عبر فترات متعددة، في حين لا يظهر الارتداد خلال فترة واحدة بانتظام في كل مجموعة بيانات.

يذكر المؤلفون نتائج مقارنات تجريبية على مجموعات بيانات فعلية: تفوق OLMAR على خوارزميات الارتداد إلى المتوسط القائمة، خصوصًا في الحالات التي واجهت فيها تلك الأساليب صعوبات، كما كان سريعًا. وتستند هذه الادعاءات إلى التجارب التي أوردتها المقالة، لكن الوصف المقدم لا يحدد مجموعات البيانات أو تفاصيل المقارنة المرجعية أو تكاليف المعاملات أو النتائج الرقمية. لذلك ينبغي فهم أداء الاستراتيجية على أنه دليل تجريبي للبيانات المختبرة، لا ضمانًا لاستمرار الارتداد متعدد الفترات أو انتقال النتائج إلى أسواق أخرى.

الأفكار الرئيسية

• يوسع MAR إشارات الارتداد إلى المتوسط عبر فترات متعددة بدلًا من الاعتماد على افتراض فترة واحدة.
• يطبق OLMAR تقنيات التعلم عبر الإنترنت للاستفادة من ارتداد المتوسط المتحرك في اختيار المحافظ.
• يستهدف النهج الحالات التي لا يكون فيها الارتداد إلى المتوسط خلال فترة واحدة موثوقًا.
• يذكر المؤلفون أداءً تجريبيًا أقوى من خوارزميات الارتداد إلى المتوسط القائمة، ولا سيما في مجموعات البيانات التي أخفقت فيها تلك الأساليب.
• يذكر الوصف المقدم سرعة الحساب، لكنه لا يتضمن تفاصيل مجموعات البيانات وتكاليف التداول.

الوسوم

# On-Line Portfolio Selection with Moving Average Reversion


# On-Line Portfolio Selection with Moving Average Reversion









On-line portfolio selection has attracted increasing interests in machine learning and AI communities recently. Empirical evidences show that stock's high and low prices are temporary and stock price relatives are likely to follow the mean reversion phenomenon. While the existing mean reversion strategies are shown to achieve good empirical performance on many real datasets, they often make the single-period mean reversion assumption, which is not always satisfied in some real datasets, leading to poor performance when the assumption does not hold. To overcome the limitation, this article proposes a multiple-period mean reversion, or so-called Moving Average Reversion (MAR), and a new on-line portfolio selection strategy named "On-Line Moving Average Reversion" (OLMAR), which exploits MAR by applying powerful online learning techniques. From our empirical results, we found that OLMAR can overcome the drawback of existing mean reversion algorithms and achieve significantly better results, especially on the datasets where the existing mean reversion algorithms failed. In addition to superior trading performance, OLMAR also runs extremely fast, further supporting its practical applicability to a wide range of applications.

يُعرض النص كاملًا مع نسبه إلى مصدره وفقًا لترخيصه. الترخيص: abstract CC0

أعدّ وكيل الأبحاث في Stratmill هذا الملخص استنادًا إلى المصدر الأصلي؛ وهو ليس نسخة منه.