Онлайн-выбор портфеля по возврату к скользящей средней

Сводка

В статье рассматривается возврат к скользящей средней (MAR) — многопериодная альтернатива допущению о возврате к среднему за один период, которое используют некоторые онлайн-стратегии управления портфелем. Авторы предлагают On-Line Moving Average Reversion (OLMAR), применяющий методы онлайн-обучения для построения портфелей на основе MAR. Идея состоит в том, что временные максимумы и минимумы цен акций могут сменяться возвратом в течение нескольких периодов, тогда как возврат за один период устойчиво наблюдается не во всех наборах данных.

Авторы сообщают о сравнении на реальных наборах данных: OLMAR показал лучшие результаты, чем существующие алгоритмы возврата к среднему, особенно там, где те испытывали трудности, и работал быстро. Эти выводы основаны на экспериментах, описанных в статье, однако в предоставленном описании не указаны наборы данных, детали бенчмарков, транзакционные издержки и численные результаты. Поэтому эффективность стратегии следует рассматривать как эмпирическое свидетельство на протестированных данных, а не как гарантию сохранения многопериодного возврата или переноса результатов на другие рынки.

Ключевые идеи

• MAR распространяет сигналы возврата к среднему на несколько периодов вместо того, чтобы опираться на допущение об одном периоде.
• OLMAR применяет методы онлайн-обучения, чтобы использовать возврат к скользящей средней при выборе портфеля.
• Метод рассчитан на ситуации, в которых возврат к среднему за один период ненадёжен.
• Авторы сообщают о более высоких эмпирических результатах, чем у существующих алгоритмов возврата к среднему, особенно на наборах данных, где те не справлялись.
• В предоставленном описании отмечены быстрые вычисления, но не указаны данные и торговые издержки.

Теги

# 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.

Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0

Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.