基于移动平均回归的在线投资组合选择
计算工程、金融与科学
2012-06-22 v1 机器学习
投资组合管理
摘要
在线投资组合选择最近引起了机器学习和人工智能社区的越来越多的兴趣。实证证据表明，股票的高价和低价是暂时的，股票价格相对值很可能遵循均值回归现象。虽然现有的均值回归策略在许多真实数据集上显示出良好的实证性能，但它们通常做出单周期均值回归假设，这在某些真实数据集中并不总是成立，导致当假设不成立时性能较差。为了克服这一局限性，本文提出了一种多周期均值回归，即所谓的移动平均回归（MAR），以及一种名为“在线移动平均回归”（OLMAR）的新在线投资组合选择策略，该策略通过应用强大的在线学习技术来利用 MAR。从我们的实证结果来看，我们发现 OLMAR 可以克服现有均值回归算法的缺点，并取得显著更好的结果，特别是在现有均值回归算法失败的数据集上。除了卓越的交易性能外，OLMAR 的运行速度也极快，进一步支持了其在广泛应用中的实际适用性。
引用
@article{arxiv.1206.4626,
title = {On-Line Portfolio Selection with Moving Average Reversion},
author = {Bin Li and Steven C. H. Hoi},
journal= {arXiv preprint arXiv:1206.4626},
year = {2012}
}
备注
ICML2012