Online Mobile Media Reversione

Spostare la strategia media reversione per il portafoglio on-line selection. Steven CH Hoi b. Doyen Sahoo b. Zhi-Yong Liu ca Economia e Management School, Università di Wuhan, Wuhan 430072, PR China. b School of Information Systems, Singapore Management University, 178902 , Singapore. c Istituto di automazione, Accademia Cinese delle Scienze, Pechino 100080, PR China. Received 17 dicembre 2012 revisione 24 Gennaio 2015 Accepted 28 gennaio 2015 Disponibile on-line 2 febbraio selezione del portafoglio 2015.On-line, un problema fondamentale nella finanza computazionale, ha attirato un crescente interesse da parte delle comunità di intelligence e di apprendimento automatico artificiali negli ultimi anni evidenza empirica mostra che azionari s prezzi alti e bassi sono temporanei e prezzi delle azioni sono suscettibili di seguire il fenomeno mean reversion Mentre le strategie di mean reversion esistenti sono mostrati per ottenere buone prestazioni empirica su molti insiemi di dati reali, che spesso rendono il singolo periodo significa assunzione reversione, che non è sempre soddisfatto, che porta a scarso rendimento in alcuni set di dati reali per superare questa limitazione, questo articolo si propone un multiplo-periodo di mean reversion o cosiddetto Moving reversione media MAR, e una nuova strategia di selezione del portafoglio on-line chiamato on-line media mobile Reversion OLMAR, che sfrutta MAR tramite tecniche di apprendimento automatico on-line efficienti e scalabili dai nostri risultati empirici sui mercati reali, abbiamo scoperto che OLMAR può superare gli inconvenienti della media esistenti algoritmi di reversione e ottenere risultati significativamente migliori, in particolare sui gruppi di dati in cui gli algoritmi di mean reversion esistenti non sono riusciti Oltre alle sue prestazioni empirica superiori, OLMAR gestisce anche estremamente veloce, sostenendo ulteriormente la sua applicabilità pratica per una vasta gamma di applicazioni, infine, abbiamo fatto tutto il set di dati e codici sorgente di questo lavoro a disposizione del pubblico presso il nostro progetto website. Portfolio selection. On-line learning. Mean reversion. Moving reversion. Table media 3 Algoritmo 2 Algoritmo 3. cs arXiv 1206 4626puter Science Computational Engineering, Finanza, e Science. Title on-Line di selezione del portafoglio con Moving reversione media. Presentata il 18 giugno 2012.Abstract selezione del portafoglio on-line ha attirato sempre più interessi in apprendimento automatico e comunità AI recentemente evidenze empiriche mostrano che azionari s prezzi alti e bassi sono temporanei e parenti prezzo delle azioni sono suscettibili di seguire il fenomeno mean reversion Mentre l'esistente significano strategie reversione sono indicati per ottenere buone prestazioni empirica su molti insiemi di dati reali, che spesso rendono il singolo periodo significa assunzione reversione, che non è sempre soddisfatta in alcuni set di dati reali, con conseguente scarso rendimento quando l'ipotesi non regge per superare la limitazione , questo articolo si propone un multiplo-periodo di mean reversion, o cosiddetti media mobile reversion MAR, e una nuova strategia di selezione del portafoglio on-line chiamato on-line media mobile reversion OLMAR, che sfrutta MAR applicando potenti tecniche di apprendimento on-line dal nostro empirica risultati, abbiamo scoperto che OLMAR in grado di superare l'inconveniente di algoritmi di mean reversion esistenti e di ottenere risultati significativamente migliori, in particolare sui gruppi di dati in cui gli algoritmi di mean reversion esistenti non sono riusciti Oltre alle prestazioni di trading superiori, OLMAR gestisce anche estremamente veloce, sostenendo ulteriormente la sua applicabilità pratica per una vasta gamma di applications. Moving strategia media reversione per On-Line Selezione portafoglio. Mostra astratto Nascondi astratto Indaghiamo come e quando diversificare il capitale ai mezzi, vale a dire il problema di selezione del portafoglio, da un punto di vista di elaborazione del segnale A tal fine, per prima cosa costruire portafogli che consentano di raggiungere l'ottimale crescita nei mercati a due attività a tempo discreto iid previsto sotto i costi di transazione proporzionali Abbiamo poi estendere la nostra analisi per coprire i mercati con più di due stock il mercato è modellato da una sequenza di prezzo vettori relativi con distribuzioni discrete arbitrarie, che può anche essere utilizzato per approssimare una vasta classe di distribuzioni continue per raggiungere l'ottimale la crescita, usiamo i portafogli di soglia, in cui introduciamo un aggiornamento ricorsivo per calcolare la ricchezza atteso abbiamo poi dimostrato che nel quadro soglia di riequilibrio, l'insieme realizzabile dei portafogli eleganti formano una catena di Markov irriducibile in condizioni tecniche miti si valutano la corrispondente distribuzione stazionaria di questa catena di Markov, che fornisce un metodo naturale ed efficiente per calcolare la ricchezza previsto cumulativa Successivamente, i parametri corrispondenti vengono ottimizzati ottiene la crescita portafoglio ottimale tra i costi di transazione proporzionali in mercati due dell'attivo tempo discreto IID Come problema finanziario ampiamente noto, abbiamo anche risolvere il problema di selezione del portafoglio ottimale nei mercati a tempo discreto costruite da campionando a tempo continuo mercati browniano Per il caso che le distribuzioni discrete sottostanti il ​​prezzo vettori relativi sono sconosciute, mettiamo a disposizione uno stimatore di massima verosimiglianza che è anche incorporato nel quadro di ottimizzazione nel nostro simulations. Article ottobre 2015.N Denizcan Vanli Sait Tunc Mehmet a Donmez Suleyman S Kozat.