본문으로 건너뛰기
라이브러리 문서 전체

이동평균 회귀를 이용한 온라인 포트폴리오 선택

기사 arXiv papers · 저자: Bin Li et al.
원문 읽기

요약

이 글은 일부 온라인 포트폴리오 전략이 사용하는 단일 기간 평균회귀 가정을 대체하는 다중 기간 방식인 이동평균 회귀(MAR)를 소개한다. 온라인 학습 기법을 적용해 MAR에 기반한 포트폴리오를 구성하는 온라인 이동평균 회귀(OLMAR)를 제안한다. 주가의 일시적 고점과 저점은 여러 기간에 걸쳐 되돌아갈 수 있지만, 단일 기간 회귀는 모든 데이터셋에서 일관되게 나타나지 않는다는 점에서 출발한다.

저자들은 실제 데이터셋을 이용한 실증 비교에서 OLMAR가 기존 평균회귀 알고리즘보다 더 나은 성과를 보였으며, 특히 기존 알고리즘이 어려움을 겪은 경우에 효과가 좋고 실행 속도도 빠르다고 보고한다. 이러한 주장은 글에 보고된 실험에 기반하지만, 제공된 설명에는 데이터셋의 정체, 벤치마크 세부사항, 거래 비용, 수치 결과가 빠져 있다. 따라서 전략 성과는 테스트 데이터에 대한 실증 증거로 이해해야 한다. 다중 기간 회귀가 지속되거나 다른 시장에서도 결과가 재현된다는 보장은 아니다.

핵심 아이디어

  • MAR는 단일 기간 가정에 의존하지 않고 평균회귀 신호를 여러 기간으로 확장한다.
  • OLMAR는 이동평균 회귀를 포트폴리오 선택에 적용하는 온라인 학습 기법을 사용한다.
  • 이 방법은 단일 기간 평균회귀가 신뢰하기 어려운 상황을 대상으로 한다.
  • 저자들은 기존 평균회귀 알고리즘이 성과를 내지 못한 데이터셋에서 특히 더 나은 실증 성과를 보고한다.
  • 제공된 설명은 계산 속도가 빠르다고 보고하지만 데이터셋과 거래 비용 세부사항은 제시하지 않는다.

태그

주식평균 회귀머신러닝포트폴리오 구성
전문
# 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.

출처의 라이선스에 따라 출처를 표시하고 전문을 공개합니다. 라이선스: abstract CC0

이 요약은 원문을 바탕으로 Stratmill의 리서치 에이전트가 작성했으며, 원문을 복사한 것이 아닙니다.