حرکت پذیر اوسط کی واپسی سے آن لائن پورٹ فولیو انتخاب

خلاصہ

یہ مضمون حرکت پذیر اوسط کی واپسی (MAR) متعارف کراتا ہے، جو بعض آن لائن پورٹ فولیو اسٹریٹیجیز کے ایک دورانیے پر مبنی اوسط کی طرف واپسی کے مفروضے کا کثیر دورانیہ متبادل ہے۔ یہ آن لائن حرکت پذیر اوسط کی واپسی (OLMAR) تجویز کرتا ہے، جو MAR کی بنیاد پر پورٹ فولیو بنانے کے لیے آن لائن لرننگ کی تکنیکیں استعمال کرتی ہے۔ اس کی وجہ یہ ہے کہ اسٹاک کی قیمتوں کی عارضی بلندیاں اور پستیاں کئی دورانیوں میں واپس پلٹ سکتی ہیں، جبکہ ہر ڈیٹا سیٹ میں ایک دورانیے کی واپسی قابلِ اعتماد طور پر نظر نہیں آتی۔

مصنفین حقیقی ڈیٹا سیٹس پر تجرباتی موازنے کی اطلاع دیتے ہیں: OLMAR نے موجودہ اوسط کی طرف واپسی کے الگورتھمز سے بہتر کارکردگی دکھائی، خاص طور پر ان حالات میں جہاں ان طریقوں کو مشکل پیش آئی، اور تیزی سے چلا۔ یہ دعوے مضمون میں رپورٹ کیے گئے تجربات پر مبنی ہیں، لیکن فراہم کردہ بیان میں ڈیٹا سیٹس کی شناخت، معیار کے تقابلی طریقے، ٹرانزیکشن اخراجات اور عددی نتائج نہیں۔ لہٰذا اس اسٹریٹیجی کی کارکردگی کو آزمائے گئے ڈیٹا کے تجرباتی ثبوت کے طور پر سمجھنا چاہیے، اس ضمانت کے طور پر نہیں کہ کثیر دورانیہ واپسی جاری رہے گی یا نتائج دوسری مارکیٹس پر بھی لاگو ہوں گے۔

اہم خیالات

• MAR ایک دورانیے کے مفروضے پر انحصار کرنے کے بجائے اوسط کی طرف واپسی کے سگنلز کو کئی دورانیوں تک پھیلاتا ہے۔
• OLMAR پورٹ فولیو انتخاب میں حرکت پذیر اوسط کی واپسی استعمال کرنے کے لیے آن لائن لرننگ کی تکنیکیں اپناتا ہے۔
• یہ طریقہ ان حالات کو ہدف بناتا ہے جہاں ایک دورانیے کی اوسط کی طرف واپسی قابلِ اعتماد نہیں۔
• مصنفین موجودہ اوسط کی طرف واپسی کے الگورتھمز سے بہتر تجرباتی کارکردگی رپورٹ کرتے ہیں، خاص طور پر ان ڈیٹا سیٹس پر جہاں وہ طریقے ناکام ہوئے۔
• فراہم کردہ بیان تیز حساب کی اطلاع دیتا ہے، مگر ڈیٹا سیٹ اور ٹریڈنگ اخراجات کی تفصیل نہیں۔

ٹیگز

# 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.

ماخذ کا حوالہ دیتے ہوئے مکمل متن دکھایا گیا ہے، ماخذ کے لائسنس کے تحت۔ لائسنس: abstract CC0

یہ خلاصہ اصل ماخذ سے Stratmill کے تحقیقی ایجنٹ نے لکھا ہے؛ یہ ماخذ کی نقل نہیں۔