ArXiv. org gt cs gt arXiv: 1206.4626 Informatik Computational Engineering, Finanzen und Wissenschaft Titel: On-Line Portfolio Auswahl mit Moving Average Reversion (veröffentlicht am 18 Juni 2012) Zusammenfassung: Online-Portfolio-Auswahl hat zunehmend Interesse an maschinellen Lernen angezogen Und AI-Gemeinschaften vor kurzem. Empirische Beweise zeigen, dass Aktien hoch und niedrig Preise sind vorübergehend und Aktienkurs Verwandten sind wahrscheinlich, die mittlere Reversion Phänomen folgen. Während die bestehenden mittleren Reversionsstrategien gezeigt werden, dass sie eine gute empirische Leistung auf vielen realen Datensätzen erzielen, machen sie häufig die einphasige mittlere Reversionsannahme, die in einigen realen Datensätzen nicht immer zufrieden ist, was zu einer schlechten Leistung führt, wenn die Annahme nicht gilt. Um diese Einschränkung zu überwinden, schlägt dieser Artikel eine Mehrperioden-Mittelwert-Reversion oder eine sogenannte Moving Average Reversion (MAR) vor und eine neue Online-Portfolio-Auswahlstrategie namens On-Line Moving Average Reversion (OLMAR), die MAR by ausnutzt Anwendung leistungsstarke Online-Lerntechniken. Aus unseren empirischen Ergebnissen haben wir herausgefunden, dass OLMAR den Nachteil bestehender mittlerer Reversionsalgorithmen überwinden und signifikant bessere Ergebnisse erzielen kann, insbesondere in den Datensätzen, in denen die bestehenden mittleren Reversionsalgorithmen fehlgeschlagen sind. Zusätzlich zu den überlegenen Trading-Performance, OLMAR läuft auch extrem schnell, weitere Unterstützung seiner praktischen Anwendbarkeit auf eine breite Palette von Anwendungen. Moving durchschnittliche Reversion-Strategie für Online-Portfolio-Auswahl Bin Li a. , Steven C. H. Hoi b. . , Doyen Sahoo b. , Zhi-Yong Liu c. Eine Volkswirtschaft und Management-Schule, Wuhan Universität, Wuhan 430072, PR China b Schule der Informationssysteme, Singapur-Management-Universität, 178902, Singapur c Institut für Automatisierung, Chinesische Akademie der Wissenschaften, Peking 100080, VR China empfing 17. Dezember 2012, überarbeitet am 24. Januar 2015, Akzeptiert 28. Januar 2015, Online verfügbar 2 Februar 2015Online-Portfolio-Auswahl, ein grundlegendes Problem in Computational Finance, hat in den letzten Jahren zunehmend Interesse von künstlichen Intelligenz und Maschine Lernen Gemeinschaften angezogen. Empirische Beweise zeigen, dass Aktien hoch und niedrig Preise sind vorübergehend und Aktienkurse sind wahrscheinlich, die mittlere Reversion Phänomen folgen. Während bestehende mittlere Reversionsstrategien gezeigt werden, dass sie eine gute empirische Leistung auf vielen realen Datensätzen erzielen, machen sie häufig die einstufige mittlere Reversionsannahme, die nicht immer erfüllt ist, was zu einer schlechten Leistung in bestimmten realen Datensätzen führt. Um diese Einschränkung zu überwinden, schlägt dieser Artikel eine mehrperiodische mittlere Reversion vor. Oder das sogenannte ldquoMoving Average Reversionrdquo (MAR) und eine neue Online-Portfolio-Auswahlstrategie mit dem Namen ldquoOn-Line Moving Average Reversionrdquo (OLMAR), die MAR durch effiziente und skalierbare Online-Maschinellen Lerntechniken nutzt. Aus unseren empirischen Ergebnissen auf realen Märkten haben wir festgestellt, dass OLMAR die Nachteile bestehender mittlerer Reversionsalgorithmen überwinden und signifikant bessere Ergebnisse erzielen kann, insbesondere bei den Datensätzen, bei denen bestehende mittlere Reversionsalgorithmen fehlgeschlagen sind. Zusätzlich zu seiner überlegenen empirischen Leistung, OLMAR läuft auch extrem schnell, weitere Unterstützung seiner praktischen Anwendbarkeit für eine breite Palette von Anwendungen. Schließlich haben wir alle Datenbestände und Quellcodes dieser Arbeit auf unserer Projekt-Website öffentlich zugänglich gemacht: OLPS. stevenhoi. org/. Portfolioauswahl Online-Lernen Mittelrückversetzung Durchschnittliche Umkehrbewegung Die Kurzfassung dieser Arbeit 42 erschien auf der 29. Internationalen Konferenz zum Maschinellen Lernen (ICML 2012). Copyright-Kopie 2015 Elsevier B. V. Alle Rechte vorbehalten. Cookies werden von dieser Website verwendet. Weitere Informationen finden Sie auf der Cookieseite. Copyright 2016 Elsevier B. V. oder seine Lizenzgeber oder Mitwirkenden. ScienceDirect ist ein eingetragenes Warenzeichen von Elsevier B. V.
No comments:
Post a Comment