Moving average reversion strategy for on-line portfolio selection
Moving average reversion strategy for on-line portfolio selection
复制标题
用于在线投资组合选择的移动平均线回归策略
DOI：
10.1016/j.artint.2015.01.006
复制
发表时间：
2015-05
影响因子：
14.4
通讯作者：
Zhi-Yong Liu
中科院分区：
文献类型：
--
作者：
李斌;Steven C.H. Hoi;Doyen Sahoo;Zhi-Yong Liu
在线投资组合选择是计算金融领域的一个基本问题，近年来引起了人工智能和机器学习界越来越多的关注。实证研究表明，股票价格的高低是暂时的，股票价格可能会出现均值回归现象。虽然现有的均值回归策略在许多真实的数据集上表现出良好的经验性能，但它们通常假设单周期均值回归，这并不总是满足，导致在某些真实的数据集上性能不佳。为了克服这一局限性，本文提出了一个多期均值回归，或所谓的“移动平均回归”（MAR），和一个新的在线投资组合选择策略命名为“在线移动平均回归”（OLMAR），它利用MAR通过有效的和可扩展的在线机器学习技术。从我们对真实的市场的实证结果来看，我们发现OLMAR可以克服现有均值回归算法的缺点，并取得明显更好的结果，特别是在现有均值回归算法失败的数据集上。除了其上级经验性能外，OLMAR还运行速度极快，进一步支持其在广泛应用中的实用性。最后，我们在项目网站http://OLPS.stevenhoi.org/上公开了这项工作的所有数据集和源代码。
On-line portfolio selection, a fundamental problem in computational finance, has attracted increasing interest from artificial intelligence and machine learning communities in recent years. Empirical evidence shows that stock's high and low prices are temporary and stock prices are likely to follow the mean reversion phenomenon. While existing mean reversion strategies are shown to achieve good empirical performance on many real datasets, they often make thesingle-period mean reversionassumption, which is not always satisfied, leading to poor performance in certain real datasets. To overcome this limitation, this article proposes amultiple-period mean reversion, or so-called “Moving Average Reversion” (MAR), and a new on-line portfolio selection strategy named “On-Line Moving Average Reversion” (OLMAR), which exploits MAR via efficient and scalable online machine learning techniques. From our empirical results on real markets, we found that OLMAR can overcome the drawbacks of existing mean reversion algorithms and achieve significantly better results, especially on the datasets where existing mean reversion algorithms failed. In addition to its superior empirical performance, OLMAR also runs extremely fast, further supporting its practical applicability to a wide range of applications. Finally, we have made all the datasets and source codes of this work publicly available at our project website: http://OLPS.stevenhoi.org/.
登录
查看更多内容
影响因子：
7.5
作者：
Gilles Stoltz;G. Lugosi
通讯作者：
Gilles Stoltz;G. Lugosi
DOI：
--
发表时间：
2008-12
期刊：
--
影响因子：
--
作者：
K. Crammer;Mark Dredze;Fernando C Pereira
通讯作者：
K. Crammer;Mark Dredze;Fernando C Pereira
影响因子：
7.5
作者：
Dredze, Mark;Kulesza, Alex;Crammer, Koby
通讯作者：
Crammer, Koby
DOI：
--
发表时间：
2012-06
期刊：
ArXiv
影响因子：
--
作者：
Bin Li;S. Hoi
通讯作者：
Bin Li;S. Hoi
影响因子：
7.5
作者：
V. Dalmau
通讯作者：
V. Dalmau