Sélection de portefeuille en ligne par retour de moyenne mobile

Résumé

Cet article présente le retour de moyenne mobile (MAR), une alternative multi-période à l’hypothèse de retour à la moyenne sur une période utilisée par certaines stratégies de portefeuille en ligne. Il propose le retour de moyenne mobile en ligne (OLMAR), qui applique des techniques d’apprentissage en ligne pour construire des portefeuilles fondés sur le MAR. L’idée est que les hauts et les bas temporaires des cours des actions peuvent s’inverser sur plusieurs périodes, alors que les retours à la moyenne sur une seule période n’apparaissent pas de façon fiable dans tous les jeux de données.

Les auteurs rapportent des comparaisons empiriques sur des jeux de données réels : OLMAR a obtenu de meilleurs résultats que les algorithmes de retour à la moyenne existants, en particulier là où ces méthodes rencontraient des difficultés, et s’est exécuté rapidement. Ces affirmations reposent sur les expériences rapportées dans l’article, mais la description fournie omet l’identité des jeux de données, les détails des références de comparaison, les coûts de transaction et les résultats numériques. La performance de la stratégie doit donc être comprise comme un résultat empirique sur les données testées, et non comme une garantie que le retour à la moyenne multi-période persistera ou que les résultats s’appliqueront à d’autres marchés.

Idées clés

• MAR étend les signaux de retour à la moyenne sur plusieurs périodes au lieu de s’appuyer sur une hypothèse à période unique.
• OLMAR applique des techniques d’apprentissage en ligne pour utiliser le retour de moyenne mobile dans la sélection de portefeuille.
• La méthode cible les contextes où le retour à la moyenne sur une seule période n’est pas fiable.
• Les auteurs rapportent de meilleurs résultats empiriques que les algorithmes de retour à la moyenne existants, notamment sur les jeux de données où ces méthodes échouaient.
• La description fournie indique que le calcul est rapide, mais omet les détails des jeux de données et des coûts de négociation.

Étiquettes

# 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.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.