Online moving average reversion

Estratégia de reversão média móvel para seleção de carteira 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, Cingapura Management University, 178902, Cingapura c Instituto de Automação, Academia Chinesa de Ciências, Pequim 100080, República Popular da China Recebeu 17 de dezembro de 2017, A seleção de carteira on-line, um problema fundamental em finanças computacionais, tem atraído o interesse crescente das comunidades de inteligência artificial e aprendizagem de máquinas nos últimos anos. Evidências empíricas mostram que os preços altos e baixos das existências são temporários e que os preços das ações devem seguir o fenômeno da reversão média. Embora as estratégias de reversão de média existentes sejam mostradas para alcançar um bom desempenho empírico em muitos conjuntos de dados reais, eles freqüentemente fazem a hipótese de reversão de média de período único, que nem sempre é satisfeita, levando a um desempenho fraco em determinados conjuntos de dados reais. Para superar essa limitação, este artigo propõe uma reversão de média de vários períodos. Ou chamada ldquoMoving Average Reversionrdquo (MAR), e uma nova estratégia de seleção de portfólio on-line chamada LdquoOn-Line Moving Average Reversionrdquo (OLMAR), que explora o MAR por meio de técnicas de aprendizado online eficientes e escaláveis. De nossos resultados empíricos em mercados reais, descobrimos que OLMAR pode superar os inconvenientes dos algoritmos de reversão de 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, OLMAR também é extremamente rápido, além de suportar sua aplicabilidade prática a uma ampla gama de aplicações. Finalmente, disponibilizamos publicamente todos os conjuntos de dados e códigos-fonte deste trabalho no site do projeto: OLPS. stevenhoi. org. Seleção de carteira On-line de aprendizagem Reversão média Reversão média móvel A versão curta deste trabalho 42 apareceu na 29ª Conferência Internacional sobre Aprendizagem Automática (ICML 2017). Copyright copy 2017 Elsevier B. V. Todos os direitos reservados. Os cookies são usados ​​por este site. Para obter mais informações, visite a página de cookies. Ou seus licenciadores ou contribuintes. ScienceDirect é uma marca registrada de Elsevier BVDonate para arXiv arXiv. org gt cs gt arXiv: 1206.4626 Ciência da Computação Engenharia Computacional, Finanças e Ciências Título: Seleção da Carteira On-Line com Reversão Média Móvel (Enviado em 18 Jun 2017) Abstract: On A seleção de carteira de linha atraiu interesses crescentes na aprendizagem de máquinas e comunidades de AI recentemente. Evidências empíricas mostram que estoques preços altos e baixos são temporários e parentes preço de ações são susceptíveis de seguir o fenômeno de reversão média. Embora as estratégias de reversão de média existentes sejam mostradas para alcançar um bom desempenho empírico em muitos conjuntos de dados reais, freqüentemente fazem a hipótese de reversão de média de período único, que nem sempre é satisfeita em alguns conjuntos de dados reais, levando a um mau desempenho quando a suposição não é válida. Para superar a limitação, este artigo propõe uma reversão de média de vários períodos, ou a chamada Reversão Média Móvel (MAR), e uma nova estratégia de seleção on-line de carteira denominada On-Line Moving Average Reversion (OLMAR), que explora MAR por Aplicando poderosas técnicas de aprendizagem on-line. De nossos resultados empíricos, descobrimos que OLMAR pode superar o inconveniente dos algoritmos de reversão de média existentes e alcançar resultados significativamente melhores, especialmente nos conjuntos de dados onde os algoritmos de reversão de média existentes falharam. Além de desempenho de negociação superior, OLMAR também é executado extremamente rápido, apoiando ainda mais a sua aplicabilidade prática a uma ampla gama de aplicações. Moving estratégia de reversão média para Seleção de portfólio on-line Show abstract Hide abstract Resumo: Nós investigamos como e quando diversificar capital mais Ativos, ou seja, o problema de seleção de carteira, a partir de uma perspectiva de processamento de sinal. Para este fim, primeiro construímos portfólios que alcançam o ótimo crescimento esperado em i. i.d. De dois ativos discretos em termos de custos de transação proporcionais. Em seguida, estendemos nossa análise para cobrir mercados com mais de duas ações. O mercado é modelado por uma seqüência de vetores relativos de preço com arbitrárias distribuições discretas, que também podem ser usadas para aproximar uma ampla classe de distribuições contínuas. Para alcançar o crescimento ótimo, utilizamos portfólios limiares, onde introduzimos uma atualização recursiva para calcular a riqueza esperada. Demonstramos então que sob a estrutura de reequilíbrio de limiar, o conjunto alcançável de carteiras formam elegantemente uma cadeia de Markov irredutivel sob condições técnicas suaves. Nós avaliamos a correspondente distribuição estacionária dessa cadeia de Markov, que fornece um método natural e eficiente para calcular a riqueza acumulada esperada. Subsequentemente, os parâmetros correspondentes são otimizados gerando a carteira ótima de crescimento sob custos de transação proporcionais em i. i.d. De dois ativos discretos. Como um problema financeiro amplamente conhecido, também resolvemos o problema de seleção de carteira ideal em mercados de tempo discreto construídos por amostragem contínua-tempo Brownian mercados. Para o caso em que as distribuições discretas subjacentes dos vetores relativos aos preços são desconhecidas, fornecemos um estimador de máxima verossimilhança que também é incorporado na estrutura de otimização em nossas simulações. Artigo Oct 2017 N. Denizcan Vanli Sait Tunc Mehmet A. Donmez Suleyman S. Kozat As pessoas que leiam esta publicação também leiam Texto integral Artigo Jan 2017 Engenharia e Investigação Manfred Gilli Dietmar Maringer Enrico Schumann Texto completo Artigo Apr 2008 Mario Linares Vsquez Diego Fernando Hernández Losada Fabio Gonzlez Osório Texto completo Artigo Nov 2001 Engenharia e Investigação Allan Borodin Vincent Gogan Os dados fornecidos destinam apenas a fins informativos. Embora cuidadosamente recolhidos, a precisão não pode ser garantida. As condições do editor são fornecidas pelo RoMEO. Podem ser aplicáveis ​​disposições diferentes da política real ou do contrato de licença do editor. Esta publicação é de um diário que pode suportar auto arquivamento.