Lựa chọn danh mục trực tuyến bằng hồi quy trung bình động

Tóm tắt

Bài viết giới thiệu hồi quy trung bình động (MAR), một phương án nhiều kỳ thay thế giả định hồi quy trung bình một kỳ được một số chiến lược danh mục trực tuyến sử dụng. Bài viết đề xuất Hồi quy trung bình động trực tuyến (OLMAR), áp dụng các kỹ thuật học trực tuyến để xây dựng danh mục dựa trên MAR. Động lực là các đỉnh và đáy tạm thời của giá cổ phiếu có thể hồi quy trong nhiều kỳ, trong khi hiện tượng hồi quy một kỳ không xuất hiện ổn định trong mọi bộ dữ liệu.

Các tác giả báo cáo so sánh thực nghiệm trên bộ dữ liệu thực: OLMAR hoạt động tốt hơn các thuật toán hồi quy trung bình hiện có, đặc biệt ở những nơi các phương pháp đó gặp khó khăn, và chạy nhanh. Những khẳng định này dựa trên các thử nghiệm được bài viết báo cáo, nhưng phần mô tả được cung cấp không nêu danh tính bộ dữ liệu, chi tiết chuẩn đối chiếu, chi phí giao dịch hay kết quả số. Vì vậy, hiệu suất chiến lược nên được hiểu là bằng chứng thực nghiệm trên dữ liệu đã kiểm nghiệm, không phải bảo đảm rằng hồi quy nhiều kỳ sẽ tiếp diễn hoặc kết quả sẽ áp dụng được sang thị trường khác.

Ý chính

• MAR mở rộng tín hiệu hồi quy trung bình qua nhiều kỳ thay vì dựa vào giả định một kỳ.
• OLMAR áp dụng kỹ thuật học trực tuyến để dùng hồi quy trung bình động trong lựa chọn danh mục.
• Phương pháp nhắm đến bối cảnh mà hồi quy trung bình một kỳ không đáng tin cậy.
• Các tác giả báo cáo hiệu suất thực nghiệm cao hơn các thuật toán hồi quy trung bình hiện có, đặc biệt trên bộ dữ liệu mà các phương pháp đó thất bại.
• Phần mô tả được cung cấp báo cáo tốc độ tính toán nhanh nhưng không nêu chi tiết bộ dữ liệu và chi phí giao dịch.

Thẻ

# 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.

Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0

Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.