Online Liikkuvan Keskiarvon Palautuvaa

Keskimääräinen kääntöstrategian siirto online-portfolion valintaan. Steven CH Hoi b. Doyen Sahoo b. Zhi-Yong Liu ca Talous - ja johtamiskoulu, Wuhanin yliopisto, Wuhan 430072, PR Kiina. b Tietojenkäsittelylaitos, Singapore Management University, 178902 , Kiinan tiede - ja teknologiaministeriö, Peking 100080, Kiinan PR. Vastaanotettu 17.12.2012 Tarkistettu 24. tammikuuta 2015 Hyväksytty 28. tammikuuta 2015 Saatavilla verkossa 2. helmikuuta 2015. Online-valikoiman valinta, perustavaa laatua oleva ongelma laskennallisessa rahoituksessa, on herättänyt yhä enemmän kiinnostusta keinotekoisesta älykkyydestä ja koneen oppimisyhteisöstä viime vuosina. Empiirinen näyttö osoittaa, että varastojen korkeat ja alhaiset hinnat ovat väliaikaisia ​​ja osakekurssit todennäköisesti seuraavat keskimääräistä palautumisilmiötä. Vaikka nykyiset keskimääräiset kääntöstrategiat näyttävät saavuttavan hyvän empiirisen tuloksen monet todelliset datasets, he usein tekevät yhden ajanjakson keskimääräinen palautus oletus, joka ei aina ole tyytyväinen, leadin g. Vähäinen suorituskyky tietyissä todellisissa dataseteleissä Tämän rajoituksen voittamiseksi tässä artikkelissa ehdotetaan keskipitkän aikavälin keskimääräistä palautumista tai niin sanottua Moving Average Reversion MAR: tä ja uutta online-portfolionvalintastrategiaa nimeltä On-Line Moving Average Reversion OLMAR, joka hyödyntää MAR: tä tehokkailla ja skaalattavilla online-koneiden oppimismenetelmillä Empiirisistä tuloksistamme todellisten markkinoiden avulla havaitsimme, että OLMAR pystyy ratkaisemaan nykyisten keskimääräisten kääntöalgoritmien haitat ja saavuttamaan huomattavasti parempia tuloksia varsinkin niillä tiedoilla, joilla nykyiset keskimääräiset kääntöalgoritmit epäonnistuivat. sen erinomainen empiirinen suorituskyky, OLMAR toimii myös erittäin nopeana ja tukee sen käytännöllistä sovellettavuutta monenlaisiin sovelluksiin. Lopuksi olemme tehneet tämän työn kaikki tietokannat ja lähdekoodit julkisesti saataville projektisivustollamme. Portfolioiden valinta. Online-oppiminen. Mean reversion. Moving keskimääräinen reversion. Table 3 algoritmi 2 algoritmi 3. cs arXiv 1206 4626put er Science Computational Engineering, Finance ja Science. Title On-Line Portfolio Valinta Moving Average Reversion. Lähetetty 18.6.2012.Abstract Online-salkunvalinta on herättänyt yhä enemmän kiinnostusta koneen oppimiseen ja AI-yhteisöihin Viime aikoina empiiriset todisteet osoittavat, että varastojen korkeat ja alhaiset hinnat ovat tilapäisiä ja osakekurssin sukulaiset todennäköisesti seuraavat keskimääräistä palautumisilmiötä. keskimääräiset kääntöstrategiat näyttävät saavuttavan hyvää empiiristä suorituskykyä monissa todellisissa dataseteleissä, ne tekevät usein yhden ajanjakson keskimääräisen käänteistuloksen oletuksen, joka ei aina ole tyydytetty joissakin todellisissa dataseteleissä, mikä johtaa heikkoon suorituskykyyn, kun oletus ei ole. , tässä artikkelissa ehdotetaan keskipitkän aikavälin keskimääräistä palautumista tai niin sanottua Moving Average Reversion MAR: ta ja uutta online-portfolionvalintastrategiaa nimeltä On-Line Moving Average Reversion OLMAR, joka hyödyntää MAR: tä soveltamalla voimakkaita online-oppimistekniikoita Empiirisestä tuloksia, havaitsimme, että OLMAR voi voittaa nykyisten keskimääräisten kääntöalgoritmien haasteen ja saavuttaa s huomattavasti parempia tuloksia, varsinkin niissä tiedoissa, joissa nykyiset keskimääräiset kääntöalgoritmit epäonnistuivat. OLMAR toimii myös erittäin nopeana ja tukee sen käytännöllistä sovellettavuutta monenlaisiin sovelluksiin. Keskimääräinen käänteisstrategia online-portfolioiden valinnassa . Näytä abstrakti Piilota abstrakti TIIVISTELMÄ Tutkimme, miten ja milloin hajautetaan pääomaa varoista eli portfolionvalintaongelmasta signaalinkäsittelyn näkökulmasta. Tätä tarkoitusta varten alun perin rakennetaan salkkuja, jotka saavuttavat optimaalisen odotetun kasvun iid-diskreetti-aikaisissa kahden varallisuuden markkinoilla suhteellisissa transaktiokustannuksissa. Sitten laajennamme analyysiämme markkinoihin, joissa on enemmän kuin kaksi kantoa. Markkinoita mallinnetaan hinnoitteluvirheiden sarjalla, jossa on mielivaltaisia ​​erillisiä jakaumia, joita voidaan käyttää likimäärin laajojen jakaumamallien likimääräisyyteen Optimaalisen kasvua, käytämme kynnyskortteja, joissa esitämme rekursiivisen päivityksen odotetun varallisuuden laskemiseksi. Osoitamme sitten, että kynnys tasapainotuskehyksen alla saavutettavissa oleva joukko portfolioja muodostaa elegantin Markovin ketjun lievissä teknisissä olosuhteissa. Arvioimme vastaavan kiinteän jakauman tämä Markov-ketju, joka tarjoaa luonnollisen ja tehokas menetelmä kumulatiivisen odotetun varallisuuden laskemiseksi Seuraavaksi vastaavia parametreja optimoidaan tuottamalla kasvun optimaalinen salkku suhteessa transaktiokustannuksiin iid-diskreetti-aikaisissa kahden hyödykemarkkinoilla Kuten laajalti tunnetussa rahoitusongelmassa, ratkaisemme optimaalisen salkunvalintaongelman diskreettien aikamarkkinat, jotka on rakennettu näytteillä jatkuvan ajan Brownian-markkinoilla. Sellaisten tapausten tapauksessa, joissa hinnan suhteellisten vektorien taustalla olevat diskreettijakaumat ovat tuntemattomia, tarjoamme suurimman todennäköisyyden estimaattorin, joka on myös sisällytetty simulaatioiden optimointikehykseen. Artikkeli Lokakuu 2015.N Denizcan Vanli Sait Tunc Mehmeti A Donmez Suleyman S Kozat.