论文《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。想要下载论文的读者朋友，请先付费获得积分。