Online Glidande Medelvärde Återgång

Flyttande genomsnittlig återgångsstrategi för onlineportföljval. Steven CH Hoi b. Doyen Sahoo b. Zhi-Yong Liu ca Ekonomihögskolan, Wuhan University, Wuhan 430072, PR China. b Informationssystem skolan, Singapore Management University, 178902 , Singapore. c Institute of Automation, Kinesiska vetenskapsakademin, Beijing 100080, PR China. Received 17 december 2012 Reviderad 24 januari 2015 Godkänd 28 januari 2015 Tillgänglig online 2 februari 2015.Online portfolio selection, ett grundläggande problem inom beräkningsfinansiering, Empirical evidence visar att stock s höga och låga priser är tillfälliga och aktiekurserna kommer sannolikt att följa det genomsnittliga reversionsfenomenet. Samtidigt som existerande genomsnittliga reverseringsstrategier har visat sig uppnå god empirisk prestanda på många riktiga dataset, gör de ofta det enkla periodiska antagandet om reversering, vilket inte alltid är nöjd, blyin g till dålig prestanda i vissa reella dataset För att övervinna denna begränsning, föreslår den här artikeln en multipeltidsmetrisk reversering eller så kallad Moving Average Reversion MAR, och en ny strategi för onlineportföljvalgtjänst som heter On-Line Moving Average Reversion OLMAR, vilket utnyttjar MAR via effektiva och skalbara online maskininlärningstekniker. Från våra empiriska resultat på reala marknader fann vi att OLMAR kan övervinna nackdelarna med befintliga genomsnittliga reverseringsalgoritmer och uppnå signifikant bättre resultat, särskilt på dataset där befintliga medelvärdesbackgoritmer misslyckades. Förutom att dess överlägsna empiriska prestanda, kör OLMAR också extremt snabbt, vilket ytterligare stöder sin praktiska tillämplighet på ett brett spektrum av applikationer. Slutligen har vi gjort alla dataset och källkoder för detta arbete offentligt tillgängliga på vår projektwebbplats. Portföljsval. Online-inlärning. Mean reversion. Moving genomsnittlig reversion. Table 3 Algorithm 2 Algorithm 3. cs arXiv 1206 4626put er Science Computational Engineering, Finance och Science. Title On-Line Portfolio Selection med rörlig genomsnittsavkastning. Inlämnad 18 juni 2012. Sammanfattning On-line portfolio selection har lockat ökande intressen i maskininlärning och AI-samhällen nyligen. Empiriska bevis visar att stock s höga och låga priser är tillfälliga och stamaktierna kommer sannolikt att följa det vanliga reversionsfenomenet. Medelvärda reverseringsstrategier är visade för att uppnå god empirisk prestanda på många reella dataset. De gör ofta det enkla periodiska genomsnittliga reverseringsantagandet, vilket inte alltid är nöjd i några reella dataset, vilket leder till dålig prestanda när antagandet inte håller för att övervinna begränsningen , föreslår den här artikeln en återvändande med flera perioder, eller så kallad Moving Average Reversion MAR, och en ny strategi för onlineportföljval, som heter On-Line Moving Average Reversion OLMAR, som utnyttjar MAR genom att tillämpa kraftfulla onlineinlärningstekniker. Från vår empiriska resultat har vi funnit att OLMAR kan övervinna nackdelen med existerande genomsnittliga reverseringsalgoritmer och uppnå s otroligt bättre resultat, speciellt på dataset där de befintliga genomsnittliga reverseringsalgoritmerna misslyckades. Förutom överlägsen handelsprestanda, kör OLMAR också extremt snabbt, vilket ytterligare stöder sin praktiska tillämplighet på ett brett spektrum av applikationer. Genomförande av genomsnittlig återvändande strategi för on-line-portföljval . Visa abstrakt Dölj abstrakt ABSTRAKT Vi undersöker hur och när diversifiering av kapital över tillgångar, det vill säga problemet med portföljval, från ett signalbehandlingsperspektiv. För detta ändamål konstruerar vi först portföljer som uppnår den optimala förväntade tillväxten på de fristående två-tillgångsmarknaderna under proportionella transaktionskostnader Vi utökar sedan vår analys för att täcka marknader med mer än två lager. Marknaden modelleras av en sekvens av prisrelativa vektorer med godtyckliga diskreta fördelningar som också kan användas för att approximera en stor klass av kontinuerliga fördelningar. För att uppnå optimal tillväxt använder vi tröskelportföljer där vi introducerar en rekursiv uppdatering för att beräkna den förväntade förmögenheten. Vi visar sedan att under den tröskelåterställda ramen bildar den uppnåbara uppsättningen portföljer elegant en irreducerbar Markov-kedja under milda tekniska förhållanden. Vi utvärderar den motsvarande stationära fördelningen av Denna Markov-kedja, som ger en naturlig och effektiv metod för att beräkna den ackumulerade förväntade förmögenheten Följaktligen optimeras motsvarande parametrar vilket ger tillväxtoptimportföljen med proportionella transaktionskostnader på de fristående tvåmarknadsmarknaderna Som ett allmänt känt finansiellt problem löser vi också det optimala portföljvalet i diskreta - tidsmarknader konstruerade genom stickprov på brittiska marknader i hela tiden För det fall att de underliggande diskreta fördelningarna av prisrelaterade vektorer är okända, ger vi en maximal sannolikhetsbedömare som också ingår i optimeringsramen i våra simuleringar. Art. nr. 2015.N Denizcan Vanli Sait Tunc Mehmet En Donmez Suleyman S Kozat.