Online Moving Average Reversion

Stratégie de renversement de la moyenne mobile pour la sélection du portefeuille en ligne Bin Li a. , Steven C. H. Hoi b. . , Doyen Sahoo b. , Zhi-Yong Liu c. Une école d'économie et de gestion, Université de Wuhan, Wuhan 430072, PR Chine b École des systèmes d'information, Université de gestion de Singapour, 178902, Singapour c Institut d'automatisation, Académie chinoise des sciences, Beijing 100080, PR Chine Reçu le 17 Décembre 2012, 2015, Accepté le 28 janvier 2015, Disponible en ligne 2 février 2015La sélection de portefeuille en ligne, un problème fondamental dans le domaine des finances informatiques, a suscité un intérêt croissant des communautés de l'intelligence artificielle et de l'apprentissage automatique ces dernières années. Des données empiriques montrent que les cours des actions à prix élevés et bas sont temporaires et que les cours des actions devraient suivre le phénomène de la réversion moyenne. Bien que les stratégies de réversion moyenne existantes aient montré une bonne performance empirique sur de nombreux ensembles de données réels, elles font souvent l'hypothèse de réversion moyenne à une période, qui n'est pas toujours satisfaite, conduisant à de mauvaises performances dans certains ensembles de données réels. Pour surmonter cette limitation, cet article propose une réversion moyenne de plusieurs périodes. (MARM), et une nouvelle stratégie de sélection de portefeuille en ligne appelée LdquoOn-Line Moving Average Reversionrdquo (OLMAR), qui exploite MAR via des techniques d'apprentissage en ligne efficaces et évolutives. De nos résultats empiriques sur les marchés réels, nous avons constaté que OLMAR peut surmonter les inconvénients des algorithmes de réversion moyenne existants et obtenir des résultats significativement meilleurs, en particulier sur les ensembles de données où les algorithmes de réversion moyenne existants ont échoué. En plus de ses performances empiriques supérieures, OLMAR fonctionne également très rapidement, ce qui lui permet d'être appliqué à un large éventail d'applications. Enfin, nous avons mis à la disposition de tous les ensembles de données et codes sources de ce travail sur notre site Web: OLPS. stevenhoi. org. Sélection du portefeuille L'apprentissage en ligne Réversion moyenne Réversion moyenne mobile La version courte de ce travail 42 est apparue lors de la 29e Conférence internationale sur l'apprentissage automatique (ICML 2012). Copyright copy 2015 Elsevier B. V. Tous droits réservés. Les cookies sont utilisés par ce site. Pour plus d'informations, visitez la page des cookies. Copyright 2017 Elsevier B. V. ou ses concédants de licence ou contributeurs. ScienceDirect est une marque déposée d'Elsevier B. V.On-Line sélection de portefeuille avec inversion moyenne mobile Afficher le résumé Masquer le résumé ABSTRACT: La sélection du portefeuille en ligne attire de plus en plus d'intérêt de la communauté de l'intelligence artificielle au cours des dernières décennies. La réversion moyenne, en tant que modèle le plus fréquent sur les marchés financiers, joue un rôle important dans certaines stratégies de pointe. Bien que réussi dans certains ensembles de données, les stratégies de réversion moyenne existantes ne tiennent pas compte des bruits et des valeurs aberrantes dans les données, ce qui entraîne des erreurs d'estimation et donc des portefeuilles non optimaux, ce qui entraîne de mauvaises performances dans la pratique. Pour surmonter cette limitation, nous proposons d'exploiter le phénomène de réversion par un estimateur L1-médian robuste et de concevoir une nouvelle stratégie de sélection de portefeuille en ligne appelée quotRobust Median Reversionquot (RMR), qui fait des portefeuilles optimaux basés sur l'estimation de réversion améliorée. Des résultats empiriques sur divers marchés réels montrent que RMR peut surmonter les inconvénients des algorithmes de réversion moyenne existants et obtenir des résultats significativement meilleurs. Enfin, RMR fonctionne en temps linéaire, et est donc approprié pour les applications commerciales à grande échelle. RESUME: Les algorithmes agressifs passifs pour la sélection de portefeuille en ligne, tels que le PAMR, ont récemment été mis en évidence de manière empirique pour atteindre des performances de pointe dans divers marchés boursiers. Inspiré par le principe de la réversion moyenne à plusieurs périodes dans Antic ou Algorithm, nous présentons un algorithme passif agressif en introduisant une fonction de perte moyenne en mouvement et obtenons une nouvelle stratégie de sélection de portefeuille en ligne nommée QuotWeighted Moyenne Mouvement Moyenne de Réversion (WMAMR). La stratégie est capable d'exploiter efficacement le pouvoir de réversion moyenne pour la sélection de portefeuille en ligne. Des expériences approfondies sur divers marchés réels démontrent l'efficacité de notre stratégie par rapport au PAMR, en particulier avec le coût de transaction. Conference Paper août 2013 Li Gao Weiguo Zhang Montrer le résumé Cacher le résumé ABSTRACT: Les algorithmes agressifs passifs pour la sélection de portefeuille en ligne ont récemment été mis en évidence de manière empirique afin d'obtenir des performances de pointe dans divers marchés boursiers. PAMR, l'une des sélections de portefeuille en ligne, est basé sur des algorithmes agressifs passifs avec une fonction de perte insensible. Inspiré de la propriété de réversion moyenne et de la propriété momentum des marchés financiers, nous présentons un algorithme passif agressif en introduisant une fonction de perte par morceaux et obtenons une nouvelle stratégie de sélection de portefeuille en ligne appelée Stratégie Combinée Agressive Passive (PACS). PACS est en mesure d'exploiter efficacement la puissance de l'inversion des prix et l'élan des prix pour la sélection de portefeuille en ligne. A partir de nos résultats empiriques, nous constatons que PACS peut surmonter les inconvénients des algorithmes existants de réversion moyenne ou des algorithmes de momentum et obtenir des résultats significativement meilleurs. En plus des performances supérieures, le PACS fonctionne aussi très rapidement et est donc très adapté aux applications à grande échelle de la vie réelle. Chapitre Décembre 2013 Li Gao Weiguo Zhang Qiang Tang