Online-Portfoliowahl mit gleitender Mittelwertrückkehr

Zusammenfassung

Dieser Artikel stellt die gleitende Mittelwertrückkehr (MAR) als Alternative über mehrere Perioden zur Einperiodenannahme der Mittelwertrückkehr vor, die manche Online-Portfoliostrategien verwenden. Er schlägt die On-Line Moving Average Reversion (OLMAR) vor, die Online-Lernverfahren nutzt, um Portfolios auf Grundlage von MAR aufzubauen. Die Motivation: Vorübergehende Hochs und Tiefs von Aktienkursen können sich über mehrere Perioden umkehren, während Einperioden-Umkehrungen nicht in jedem Datensatz zuverlässig auftreten.

Die Autoren berichten empirische Vergleiche mit realen Datensätzen: OLMAR schnitt besser ab als bestehende Algorithmen zur Mittelwertrückkehr, insbesondere dort, wo diese Verfahren Schwierigkeiten hatten, und lief schnell. Diese Aussagen beruhen auf den im Artikel berichteten Experimenten. Die vorliegende Beschreibung nennt jedoch weder die Datensätze noch Vergleichsverfahren, Transaktionskosten oder numerische Ergebnisse. Die Leistung der Strategie ist daher als empirischer Beleg für die getesteten Daten zu verstehen, nicht als Garantie dafür, dass die mehrperiodige Rückkehr anhält oder sich die Ergebnisse auf andere Märkte übertragen lassen.

Kernaussagen

• MAR erweitert Signale zur Mittelwertrückkehr auf mehrere Perioden, statt sich auf eine Einperiodenannahme zu stützen.
• OLMAR nutzt Online-Lernverfahren, um die gleitende Mittelwertrückkehr für die Portfoliowahl einzusetzen.
• Das Verfahren zielt auf Situationen ab, in denen die Einperioden-Mittelwertrückkehr unzuverlässig ist.
• Die Autoren berichten eine stärkere empirische Leistung als bei bestehenden Algorithmen zur Mittelwertrückkehr, insbesondere in Datensätzen, bei denen diese Verfahren versagten.
• Die vorliegende Beschreibung berichtet von schneller Berechnung, lässt aber Angaben zu Datensätzen und Handelskosten aus.

Schlagwörter

# 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.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.