Online glidande medelvärde återgång

Flyttande genomsnittlig återgångsstrategi för onlineportföljval Bin Li a. , Steven C. H. Hoi b. . , Doyen Sahoo b. , Zhi-Yong Liu c. Wuhan University, Wuhan 430072, PR Kina b Informationssystem, Singapore Management University, 178902, Singapore c Institutet för automatisering, kinesiska vetenskapsakademin, Beijing 100080, PR Kina mottagen 17 december 2012, reviderad 24 januari 2015, Accepterad 28 januari 2015, Tillgänglig online 2 Februari 2015Online-portföljval, ett grundläggande problem inom beräkningsfinansiering, har lockat ökat intresse från artificiell intelligens och maskininlärningsgrupper under senare år. Empiriska bevis visar att aktierna höga och låga priser är tillfälliga och aktiekurserna sannolikt kommer att följa det genomsnittliga reverseringsfenomenet. Medan befintliga medelåtervändningsstrategier visas för att uppnå god empirisk prestanda på många reella dataset, gör de ofta det enkla periodiska återkopplingsantagandet, vilket inte alltid är nöjd, vilket leder till dålig prestanda i vissa reella dataset. För att övervinna denna begränsning, föreslår den här artikeln en återkommande period med flera år. eller så kallad ldquoMoving Average Reversionrdquo (MAR), och en ny strategi för portföljutväljning med namnet ldquoOn-Line Moving Average Reversionrdquo (OLMAR), som utnyttjar MAR via effektiva och skalbara online-maskininlärningstekniker. Från våra empiriska resultat på reala marknader fann vi att OLMAR kan övervinna nackdelarna med befintliga medelvärdesbackalgoritmer och uppnå signifikant bättre resultat, särskilt på dataseten där befintliga medelvärde för omkastningsalgoritmer misslyckades. Förutom sin överlägsna empiriska prestanda, kör OLMAR också extremt snabbt, vilket ytterligare stöder sin praktiska tillämplighet på ett brett utbud av applikationer. Slutligen har vi gjort alla dataset och källkoder för detta arbete offentligt tillgängliga på vår projektwebbplats: OLPS. stevenhoi. org. Val av portfölj Online-inlärning Medelvändning Flyttande genomsökning Den korta versionen av detta arbete 42 framkom vid den 29: e internationella konferensen om maskinlärande (ICML 2012). Upphovsrätt kopia 2015 Elsevier B. V. Alla rättigheter förbehållna. Cookies används av denna webbplats. Mer information finns på sidan Cookies. Copyright 2017 Elsevier B. V. eller dess licensgivare eller bidragsgivare. ScienceDirect är ett registrerat varumärke som tillhör Elsevier BVDonate till arXiv arXiv. org gt cs gt arXiv: 1206.4626 Datavetenskapsteknik, ekonomi och vetenskapstitel: On-line-portföljval med rörlig genomsnittsreversion (Inkom den 18 juni 2012) Sammanfattning: På - linjeporteföljsval har nyligen ökat intressen för maskininlärning och AI-samhällen. Empiriska bevis visar att beståndet höga och låga priser är tillfälliga, och aktiekursrelaterade kommer sannolikt att följa det vanliga reversionsfenomenet. Medan de befintliga genomsnittliga reverseringsstrategierna visar sig uppnå god empirisk prestanda på många reella dataset, gör de ofta det enkla periodiska antagandet om reversering, 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 online-portföljvalstrategi med namnet On-Line Moving Average Reversion (OLMAR), som utnyttjar MAR genom tillämpa kraftfulla online-lärande tekniker. Ur våra empiriska resultat har vi funnit att OLMAR kan övervinna nackdelen med existerande genomsnittliga reverseringsalgoritmer och uppnå signifikant bättre resultat, särskilt på dataset där de befintliga genomsnittliga reverseringsalgoritmerna misslyckades. Förutom överlägsen handelsprestanda går OLMAR också extremt snabbt och stöder dessutom sin praktiska tillämplighet på ett brett spektrum av applikationer. Genomförande av genomsnittlig omvänd 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 i i. i.d. diskreta två-tillgångsmarknader med 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 bred 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 den uppnåbara uppsättningen portföljer elegant utgör en irreducerbar Markov-kedja under milda tekniska förhållanden under gränsvärdet. Vi utvärderar den motsvarande stationära fördelningen av denna Markov-kedja, vilket ger en naturlig och effektiv metod för att beräkna den ackumulerade förväntade förmögenheten. Därefter optimeras motsvarande parametrar vilket ger tillväxtoptimal portfölj under proportionella transaktionskostnader i i. i.d. diskreta tidsmarknader för två tillgångar. Som ett allmänt känt finansiellt problem löser vi också det optimala utbudet av portföljval på diskreta tidsmarknader som är konstruerade genom att sampla kontinuerliga Browns-marknader. För det fall att de underliggande diskreta fördelningarna av prisrelativa vektorer är okända, ger vi en maximal sannolikhetsbedömare som också ingår i optimeringsramen i våra simuleringar. Artikel okt 2015 N. Denizcan Vanli Sait Tunc Mehmet A. Donmez Suleyman S. Kozat Människor som läser denna publikation läser också Fulltext Artikel jan 2011 Ingenieria e Investigacin Manfred Gilli Dietmar Maringer Enrico Schumann Fulltext Artikel apr 2008 Mario Linares Vsquez Diego Fernando Hernndez Losada Fabio Gonzlez Osorio Fulltext Artikel Nov 2001 Ingenieria e Investigacin Allan Borodin Vincent Gogan Uppgifterna är endast avsedda för informationsändamål. Även om noggrant samlad, kan noggrannhet inte garanteras. Utgivningsvillkoren tillhandahålls av RoMEO. Olika bestämmelser från publisherx27s faktiska policy - eller licensavtal kan vara tillämpliga. Denna publikation är från en tidskrift som kan stödja självarkivering.