Online Moving Average Reversion

Estratégia de reversão média móvel para a seleção de portfólio on-line Bin Li a. , Steven C. H. Hoi b. . Doyen Sahoo b. , Zhi-Yong Liu c. Uma Escola de Economia e Gestão, Universidade de Wuhan, Wuhan 430072, PR China b Escola de Sistemas de Informação, Singapore Management University, 178902, Singapura c Instituto de Automação, Academia Chinesa de Ciências, Pequim 100080, PR China Recebida em 17 de dezembro de 2012, revisada 24 de janeiro 2015, Aceito em 28 de janeiro de 2015, disponível on-line 2 de fevereiro de 2015 A seleção de portfólio on-line, um problema fundamental nas finanças computacionais, atraiu o crescente interesse das comunidades de inteligência artificial e aprendizagem de máquinas nos últimos anos. A evidência empírica mostra que os preços altos e baixos dos estoques são temporários e os preços das ações provavelmente seguirão o fenômeno de reversão médio. Embora as estratégias de reversão de média existentes sejam mostradas para alcançar um bom desempenho empírico em muitos conjuntos de dados reais, eles geralmente fazem a suposição de reversão média de um único período, o que nem sempre é satisfeito, levando a um desempenho fraco em determinados conjuntos de dados reais. Para superar essa limitação, este artigo propõe uma reversão média de período múltiplo. Ou o chamado ldquoMoving Average Reversionrdquo (MAR) e uma nova estratégia de seleção de portfólio on-line denominada ldquoOn-Line Moving Average Reversionrdquo (OLMAR), que explora o MAR através de técnicas de aprendizado de máquina on-line eficientes e escaláveis. A partir de nossos resultados empíricos em mercados reais, descobrimos que o OLMAR pode superar as desvantagens dos algoritmos de reversão média existentes e obter resultados significativamente melhores, especialmente nos conjuntos de dados onde os algoritmos de reversão de média existentes falharam. Além de seu desempenho empírico superior, o OLMAR também corre extremamente rápido, apoiando ainda mais sua aplicabilidade prática em uma ampla gama de aplicações. Finalmente, fizemos todos os conjuntos de dados e códigos-fonte desse trabalho publicamente disponíveis em nosso site do projeto: OLPS. stevenhoi. org. Seleção de portfólio Aprendizagem on-line Reversão média Reversão média móvel A versão curta deste trabalho 42 apareceu na 29ª Conferência Internacional sobre Aprendizado de Máquinas (ICML 2012). Copyright copy 2015 Elsevier B. V. Todos os direitos reservados. Os cookies são usados ​​por este site. Para obter mais informações, visite a página de cookies. Copyright 2017 Elsevier B. V. ou seus licenciadores ou contribuidores. ScienceDirect é uma marca registrada da Elsevier B. V.On-Line Portfolio Selection with Moving Average Reversion Show abstract Hide abstract RESUMO: A seleção de portfólio on-line vem atraindo interesses crescentes da comunidade de inteligência artificial nas últimas décadas. A reversão média, como um padrão mais freqüente nos mercados financeiros, desempenha um papel importante em algumas estratégias de última geração. Apesar de serem bem-sucedidos em determinados conjuntos de dados, as estratégias de reversão média existentes não consideram os ruídos e outliers nos dados, levando a erro de estimativa e, portanto, a carteiras não ótimas, o que resulta em desempenho fraco na prática. Para superar a limitação, propomos explorar o fenômeno de reversão por estimador L1-mediano robusto e projetar uma estratégia de seleção de portfólio on-line chamada quotRobust Median Reversionquot (RMR), que faz carteiras ótimas com base na estimativa de reversão melhorada. Resultados empíricos em vários mercados reais mostram que o RMR pode superar as desvantagens dos algoritmos de reversão média existentes e alcançar resultados significativamente melhores. Finalmente, o RMR é executado em tempo linear e, portanto, é adequado para aplicações comerciais em grande escala. Documento de conferência Ago 2013 Show abstract Hide abstract RESUMO: algoritmos agressivos passivos para seleção de portfólio on-line, como o PAMR, foram mostrados empiricamente para alcançar o desempenho de última geração em vários mercados de ações. Inspirado pelo princípio de reversão média de vários períodos em Antic ou Algoritmo, apresentamos um algoritmo agressivo passivo através da introdução de uma função de perda média móvel e alcançar uma nova estratégia de seleção de portfólio on-line denominada Reversão Média Média Mover Alternativa (WMAMR). A estratégia é capaz de explorar efetivamente o poder da reversão média para a seleção de portfólio on-line. Experimentos extensivos em vários mercados reais demonstram a eficácia de nossa estratégia em comparação com PAMR, especialmente com o custo de transação. Documento de conferência Ago 2013 Li Gao Weiguo Zhang Show abstract Hide abstract RESUMO: algoritmos agressivos passivos para seleção de portfólio on-line são mostrados empiricamente para alcançar o desempenho de última geração em vários mercados de ações. A PAMR, uma das seleções de portfólio on-line, é baseada em algoritmos agressivos passivos com uma função de perda insensível. Inspirado na propriedade de reversão média e na propriedade momentânea dos mercados financeiros, apresentamos um algoritmo agressivo passivo, introduzindo uma função de perda por partes e alcançando uma nova estratégia de seleção de portfólio on-line denominada Estratégia Combinada Agressiva Passiva (PACS). O PACS é capaz de explorar efetivamente o poder da inversão de preços e do impulso dos preços para a seleção de portfólio on-line. A partir de nossos resultados empíricos, descobrimos que PACS pode superar as desvantagens dos algoritmos de reversão de média existentes ou algoritmos de momentum e obter resultados significativamente melhores. Além do desempenho superior, o PACS também corre extremamente rápido e, portanto, é muito adequado para aplicações em grande escala da vida real. Capítulo dezembro 2013 Li Gao Weiguo Zhang Qiang Tang