基于自回归移动平均反转的在线投资组合选择

摘要：

针对现有均值反转类策略未充分考虑噪声数据、单周期假设和数据的非平稳性等问题,提出了一种基于多周期的高效的在线自回归移动平均反转(OLAR)算法.首先,利用自回归移动平均算法得到了股价预测模型,并经过合理的假设将其转化为自回归模型;然后,结合损失函数和正则项构造出了目标函数,并利用损失函数的二阶信息得到了参数的闭式解;接着,利用在线被动攻击(PA)算法得到了投资组合的闭式更新.理论分析和实验仿真结果表明,与鲁棒中位数反转(RMR)相比,OLAR在NYSE(O)、NYSE (N)、道琼斯工业指数(DJIA)和MSCI数据集上的累积收益分别提高了455.6％,221.5％,11.2％和50.3％;同时,统计检验结果表明,OLAR的表现并不是由随机因素造成的.此外,与RMR和在线滑动平均反转(OLMAR)等算法相比,OLAR获得了最大的年化收益率、夏普比率和Calmar比率;最后,OLAR的运行时间与RMR和OLMAR基本相同,因此也适合大规模的实时应用.

关键词：在线学习、投资组合选择、自回归移动平均、均值反转、损失函数

所属期刊栏目：38

分类号：TP301.6(计算技术、计算机技术)

资助基金：国家自然科学基金资助项目11501204;上海市自然科学基金资助项目15ZR1408300.This work is partially supported by the National Natural Science Foundation of China11501204;the Natural Science Foundation of Shanghai15ZR1408300

在线出版日期：2018-06-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：1505-1511