मूविंग एवरेज रिवर्ज़न से ऑनलाइन पोर्टफ़ोलियो चयन
सारांश
यह लेख मूविंग एवरेज रिवर्ज़न (MAR) प्रस्तुत करता है, जो कुछ ऑनलाइन पोर्टफ़ोलियो रणनीतियों की एक-अवधि औसत-वापसी मान्यता का बहु-अवधि विकल्प है। इसमें ऑनलाइन मूविंग एवरेज रिवर्ज़न (OLMAR) प्रस्तावित है, जो MAR पर आधारित पोर्टफ़ोलियो बनाने के लिए ऑनलाइन लर्निंग तकनीकें लागू करता है। इसकी प्रेरणा यह है कि शेयर कीमतों की अस्थायी ऊँच-नीच कई अवधियों में पलट सकती है, जबकि हर डेटा-समूह में एक-अवधि की वापसी लगातार नहीं दिखती।
लेखक वास्तविक डेटा-समूहों पर अनुभवजन्य तुलना की रिपोर्ट करते हैं: OLMAR ने मौजूदा औसत-वापसी एल्गोरिदमों से बेहतर प्रदर्शन किया, खासकर उन स्थितियों में जहाँ वे तरीके संघर्ष करते थे, और इसकी गणना तेज़ थी। ये दावे लेख में बताए गए प्रयोगों पर आधारित हैं, लेकिन दिए गए विवरण में डेटा-समूहों की पहचान, तुलनात्मक आधार, लेनदेन लागत और संख्यात्मक नतीजे नहीं हैं। इसलिए इस रणनीति के प्रदर्शन को परीक्षण किए गए डेटा के अनुभवजन्य साक्ष्य के रूप में समझें; यह गारंटी नहीं है कि बहु-अवधि वापसी बनी रहेगी या नतीजे दूसरे बाज़ारों में भी लागू होंगे।
मुख्य विचार
- MAR एक-अवधि की मान्यता के बजाय कई अवधियों में औसत-वापसी संकेतों का विस्तार करता है।
- OLMAR पोर्टफ़ोलियो चयन में मूविंग एवरेज रिवर्ज़न का उपयोग करने के लिए ऑनलाइन लर्निंग तकनीकें लागू करता है।
- यह तरीका उन स्थितियों को लक्ष्य बनाता है जहाँ एक-अवधि की औसत-वापसी भरोसेमंद नहीं होती।
- लेखक मौजूदा औसत-वापसी एल्गोरिदमों से बेहतर अनुभवजन्य प्रदर्शन की रिपोर्ट करते हैं, खासकर उन डेटा-समूहों पर जहाँ वे तरीके विफल रहे।
- दिए गए विवरण में तेज़ गणना की बात है, लेकिन डेटा-समूह और ट्रेडिंग लागत का विवरण नहीं है।
टैग
पूरा पाठ
# 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.
स्रोत के लाइसेंस के तहत श्रेय सहित पूरा पाठ दिखाया गया है। लाइसेंस: abstract CC0
यह सारांश मूल स्रोत के आधार पर Stratmill के शोध एजेंट ने लिखा है; यह स्रोत की प्रति नहीं है।