בחירת תיק מקוונת באמצעות חזרה לממוצע נע

סיכום

המאמר מציג חזרה לממוצע נע (MAR), חלופה רב־תקופתית להנחת החזרה לממוצע בתקופה אחת, המשמשת באסטרטגיות מסוימות לבחירת תיק מקוונת. הוא מציע חזרה מקוונת לממוצע נע (OLMAR), המשתמשת בטכניקות למידה מקוונת לבניית תיקים המבוססים על MAR. הרעיון הוא ששיאים ושפלים זמניים במחירי מניות עשויים לחזור לרמה קודמת לאורך כמה תקופות, בעוד שחזרה לממוצע בתקופה אחת אינה מופיעה בעקביות בכל מערך נתונים.

החוקרים מדווחים על השוואות אמפיריות במערכי נתונים אמיתיים: OLMAR השיגה ביצועים טובים יותר מאלגוריתמים קיימים לחזרה לממוצע, במיוחד במקומות שבהם התקשו, ופעלה במהירות. הטענות מבוססות על הניסויים המדווחים במאמר, אך התיאור שסופק אינו מציין את זהות מערכי הנתונים, פרטי מדדי הייחוס, עלויות עסקה או תוצאות מספריות. לכן יש להבין את ביצועי האסטרטגיה כראיות אמפיריות עבור הנתונים שנבדקו, ולא כהבטחה שחזרה לממוצע לאורך כמה תקופות תימשך או שהתוצאות יחולו בשווקים אחרים.

רעיונות מרכזיים

• MAR מרחיבה אותות חזרה לממוצע על פני כמה תקופות, במקום להסתמך על הנחה של תקופה אחת.
• OLMAR מיישמת טכניקות למידה מקוונת כדי להשתמש בחזרה לממוצע נע בבחירת תיק.
• השיטה מיועדת למצבים שבהם חזרה לממוצע בתקופה אחת אינה אמינה.
• החוקרים מדווחים על ביצועים אמפיריים טובים יותר משל אלגוריתמים קיימים לחזרה לממוצע, במיוחד במערכי נתונים שבהם אלה נכשלו.
• התיאור שסופק מדווח על חישוב מהיר, אך אינו מפרט את מערכי הנתונים או את עלויות המסחר.

תגיות

# 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.

מוצג במלואו בציון המקור ובהתאם לרישיון שלו. רישיון: abstract CC0

הסיכום נכתב בידי סוכן המחקר של Stratmill על סמך המקור; הוא אינו העתק של המקור.