[論文レビュー] On-Line Portfolio Selection with Moving Average Reversion

Bin Li, Steven C. H. Hoi|arXiv (Cornell University)|Jun 18, 2012

Advanced Bandit Algorithms Research参考文献 22被引用数 44

ひとこと要約

本稿では、移動平均回帰（MAR）に基づく多期間平均回帰に裏打ちされたオンラインポートフォリオ選択アルゴリズム、OLMARを提案する。単一期間平均回帰戦略に比べ、オンライン学習技術を活用することで性能を向上させた。OLMARは、既存の手法に比べ顕著に優れた性能を発揮し、特に単一期間仮定が成立しないデータセットにおいて顕著な効果を示す一方で、高い計算効率を維持している。

ABSTRACT

On-line portfolio selection has attracted increasing interests in machine learning and AI communities recently. Empirical evidences show that stock's high and low prices are temporary and stock price relatives are likely to follow the mean reversion phenomenon. While the existing mean reversion strategies are shown to achieve good empirical performance on many real datasets, they often make the single-period mean reversion assumption, which is not always satisfied in some real datasets, leading to poor performance when the assumption does not hold. To overcome the limitation, this article proposes a multiple-period mean reversion, or so-called Moving Average Reversion (MAR), and a new on-line portfolio selection strategy named "On-Line Moving Average Reversion" (OLMAR), which exploits MAR by applying powerful online learning techniques. From our empirical results, we found that OLMAR can overcome the drawback of existing mean reversion algorithms and achieve significantly better results, especially on the datasets where the existing mean reversion algorithms failed. In addition to superior trading performance, OLMAR also runs extremely fast, further supporting its practical applicability to a wide range of applications.

研究の動機と目的

• 既存のオンラインポートフォリオ選択アルゴリズムにおける単一期間平均回帰仮定の制限を解決すること。
• 株価の多期間平均回帰行動を捉える、頑健なオンライン学習フレームワークの開発。
• 実世界の金融応用に適した高速かつ実用的なアルゴリズムの設計。
• 従来の平均回帰戦略が不振となるデータセットにおいて、優れたパフォーマンスを実証的に検証すること。

提案手法

• 株価リターンの相対値が時間経過とともに移動平均に戻る傾向を捉える、多期間平均回帰モデル「移動平均回帰（MAR）」を提案する。
• MARシグナルに基づき、株式ウェイトを動的に調整するオンラインポートフォリオ選択戦略として、OLMARアルゴリズムを設計する。
• 履歴価格データを用いて、リアルタイムでポートフォリオ割合を更新するためのオンライン学習技術を採用する。
• 最良の定常再バランスポートフォリオに対するレグレットを最小化する最適なポートフォリオウェイトを計算するための凸最適化フレームワークを用いる。
• 移動平均の推定に過去リターンのスライディングウインドウを導入し、適応的回帰検出を可能にする。
• 重みが確率単体に留まるようプロジェクションステップを適用し、有効なポートフォリオ制約を維持する。

実験結果

リサーチクエスチョン

• RQ1 多期間平均回帰モデルは、単一期間仮定を越えてオンラインポートフォリオ選択を改善できるか？
• RQ2 OLMARは、実世界の金融データセットにおいて、既存の平均回帰ベースのアルゴリズムを上回る性能を示すか？
• RQ3 単一期間平均回帰仮定が崩壊する状況下で、OLMARはどのように性能を発揮するか？
• RQ4 他のオンラインポートフォリオ戦略と比較して、OLMARの計算効率はいかがなっているか？
• RQ5 OLMARは多様な市場状況においても頑健なパフォーマンスを維持できるか？

主な発見

• 単一期間仮定が成立しないデータセットにおいて、OLMARは既存の平均回帰アルゴリズムを顕著に上回る性能を発揮する。
• 複数の実世界の株価データセットにおいて、OLMARは特にボラティリティが高く非定常な市場環境下でも、優れた累積資産成長を達成する。
• アルゴリズムは高い計算速度を示しており、リアルタイム取引応用に実用的である。
• 実証結果から、MARベースの戦略は単一期間モデルに比べ、非理想市場状況下でもより回復力があることが示された。
• OLMARは異なる市場レジームにおいても強固なパフォーマンスを維持しており、変化する市場ダイナミクスに耐性があることが示された。
• 本手法は複数期間にわたる平均回帰を効果的に捉えており、より安定的で収益性の高いポートフォリオ割合を実現している。