انتخاب برخط سبد با استفاده از بازگشت میانگین متحرک

خلاصه

این مقاله بازگشت میانگین متحرک (MAR) را معرفی می‌کند؛ جایگزینی چنددوره‌ای برای فرض بازگشت به میانگین تک‌دوره‌ای که در برخی استراتژی‌های سبد برخط به کار می‌رود. روش بازگشت میانگین متحرک برخط (OLMAR) را پیشنهاد می‌کند که از تکنیک‌های یادگیری برخط برای ساخت سبد بر پایه MAR بهره می‌گیرد. انگیزه این روش آن است که اوج‌ها و افت‌های موقت قیمت سهام ممکن است طی چند دوره بازگردند، درحالی‌که بازگشت‌های یک‌دوره‌ای در همه مجموعه‌داده‌ها به‌طور قابل اتکا دیده نمی‌شوند.

نویسندگان مقایسه‌های تجربی روی مجموعه‌داده‌های واقعی را گزارش می‌کنند: عملکرد OLMAR از الگوریتم‌های موجود بازگشت به میانگین بهتر بود، به‌ویژه در مواردی که آن روش‌ها با مشکل روبه‌رو شدند، و سرعت اجرای آن نیز بالا بود. این ادعاها بر آزمایش‌های گزارش‌شده در مقاله تکیه دارند، اما شرح ارائه‌شده هویت مجموعه‌داده‌ها، جزئیات معیارهای مقایسه، هزینه‌های تراکنش و نتایج عددی را ذکر نمی‌کند. بنابراین عملکرد استراتژی باید شواهد تجربی درباره داده‌های آزموده‌شده تلقی شود، نه تضمینی برای تداوم بازگشت چنددوره‌ای یا انتقال نتایج به بازارهای دیگر.

ایده‌های کلیدی

• MAR سیگنال‌های بازگشت به میانگین را به چند دوره گسترش می‌دهد، به‌جای آنکه به فرض تک‌دوره‌ای تکیه کند.
• OLMAR برای استفاده از بازگشت میانگین متحرک در انتخاب سبد، تکنیک‌های یادگیری برخط را به کار می‌گیرد.
• این روش شرایطی را هدف می‌گیرد که بازگشت به میانگین تک‌دوره‌ای در آن‌ها قابل اتکا نیست.
• نویسندگان عملکرد تجربی بهتر از الگوریتم‌های موجود بازگشت به میانگین را گزارش می‌کنند، به‌ویژه در مجموعه‌داده‌هایی که آن روش‌ها در آن‌ها ناکام بودند.
• شرح ارائه‌شده از محاسبات سریع خبر می‌دهد، اما جزئیات مجموعه‌داده‌ها و هزینه‌های معاملاتی را ذکر نمی‌کند.

برچسب‌ها

# 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.

با ذکر منبع و مطابق مجوز اثر، به‌طور کامل نمایش داده می‌شود. مجوز: abstract CC0

این خلاصه را عامل پژوهشی Stratmill بر پایه متن اصلی نوشته است؛ نسخه‌ای از اثر منبع نیست.