Seleção online de carteiras com reversão de média móvel

Resumo

Este artigo apresenta a reversão de média móvel (MAR), uma alternativa de múltiplos períodos à hipótese de reversão à média em um único período usada por algumas estratégias online de carteira. Propõe a reversão de média móvel online (OLMAR), que aplica técnicas de aprendizado online para construir carteiras com base em MAR. A motivação é que altas e baixas temporárias nos preços das ações podem reverter ao longo de vários períodos, enquanto reversões em um único período não aparecem de forma confiável em todos os conjuntos de dados.

Os autores relatam comparações empíricas com conjuntos de dados reais: OLMAR teve desempenho superior ao de algoritmos existentes de reversão à média, especialmente onde esses métodos tiveram dificuldades, e foi executado rapidamente. Essas afirmações se baseiam nos experimentos relatados no artigo, mas a descrição fornecida omite a identificação dos conjuntos de dados, detalhes das referências de comparação, custos de transação e resultados numéricos. Portanto, o desempenho da estratégia deve ser entendido como evidência empírica para os dados testados, não como garantia de que a reversão em múltiplos períodos persistirá ou de que os resultados se aplicarão a outros mercados.

Ideias principais

• MAR estende os sinais de reversão à média por vários períodos, em vez de depender de uma hipótese de período único.
• OLMAR aplica técnicas de aprendizado online para usar a reversão de média móvel na seleção de carteiras.
• O método busca situações em que a reversão à média em um único período não é confiável.
• Os autores relatam desempenho empírico superior ao de algoritmos existentes de reversão à média, sobretudo em conjuntos de dados nos quais esses métodos falharam.
• A descrição fornecida relata rapidez computacional, mas omite detalhes dos conjuntos de dados e dos custos de negociação.

Tags

# 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.

Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0

Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.