[논문 리뷰] On-Line Portfolio Selection with Moving Average Reversion

Bin Li, Steven C. H. Hoi|arXiv (Cornell University)|2012. 06. 18.

Advanced Bandit Algorithms Research참고 문헌 22인용 수 44

한 줄 요약

이 논문은 다기간 평균회귀(이동평균회귀, MAR) 기반의 온라인 포트폴리오 선택 알고리즘인 OLMAR을 제안한다. 이는 단기 평균회귀 전략을 개선하기 위해 온라인 학습 기법을 활용한다. OLMAR는 기존 방법보다 뚜렷이 뛰어난 성능을 보이며, 특히 단기 가정이 실패하는 데이터셋에서 뛰어난 성능을 발휘한다. 또한 높은 계산 효율성을 유지한다.

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.

연구 동기 및 목표

• 기존 온라인 포트폴리오 선택 알고리즘에서 단기 평균회귀 가정의 한계를 해결하기 위해.
• 주가의 다기간 평균회귀 행동을 포착할 수 있는 강력한 온라인 학습 프레임워크를 개발하기 위해.
• 실제 금융 응용에 적합한 빠르고 실용적인 알고리즘을 설계하기 위해.
• 伝통적 평균회귀 전략이 성능을 발휘하지 못하는 데이터셋에서 뛰어난 성능을 경험적으로 검증하기 위해.

제안 방법

• 주가 상대수익률이 시간이 지남에 따라 이동평균으로 회귀하는 경향을 포착하는 다기간 평균회귀 모델인 이동평균회귀(MAR)를 제안한다.
• MAR 신호에 기반해 주식 가중치를 동적으로 조정하는 온라인 포트폴리오 선택 전략으로 OLMAR 알고리즘을 설계한다.
• 역사적 가격 데이터를 사용해 실시간으로 포트폴리오 할당을 업데이트하기 위해 온라인 학습 기법을 적용한다.
• 최적의 포트폴리오 가중치를 계산하기 위해 볼록 최적화 프레임워크를 사용하여 최상의 일정재균형포트폴리오에 대한 회귀를 최소화한다.
• 이동평균를 추정하기 위해 과거 수익률의 슬라이딩 윈도우를 통합하여 적응형 회귀 탐지 기능을 제공한다.
• 가중치가 확률 단체 내에 유지되도록 투영 단계를 적용하여 유효한 포트폴리오 제약 조건을 유지한다.

실험 결과

연구 질문

• RQ1 다기간 평균회귀 모델은 단기 가정을 초월해 온라인 포트폴리오 선택을 향상시킬 수 있는가?
• RQ2 OLMAR은 실제 금융 데이터셋에서 기존의 평균회귀 기반 알고리즘을 능가하는가?
• RQ3 단기 평균회귀 가정이 성립하지 않는 상황에서 OLMAR의 성능은 어떠한가?
• RQ4 기타 온라인 포트폴리오 전략 대비 OLMAR의 계산 효율성은 어떠한가?
• RQ5 OLMAR은 다양한 시장 조건에서 뛰어난 성능을 유지할 수 있는가?

주요 결과

• 단기 가정이 실패하는 데이터셋에서 OLMAR은 기존 평균회귀 알고리즘보다 뚜렷이 뛰어난 성능을 보인다.
• 다양한 실제 주식 데이터셋에서 OLMAR은 누적 자산 증가율이 뛰어나며, 특히 변동성 높거나 비정상적인 시장에서 유의미하게 뛰어난 성능을 발휘한다.
• 알고리즘은 높은 계산 속도를 보이며 실시간 거래 응용에 실용적이다.
• 경험적 결과에 따르면 비이상적인 시장 조건에서 MAR 기반 전략은 단기 모델보다 더 뛰어난 내성성을 보인다.
• OLMAR은 다양한 시장 제도에서 뛰어난 성능을 유지하여 변화하는 시장 역학에 대한 강건성을 보여준다.
• 다기간 평균회귀를 효과적으로 포착함으로써 더 안정적이고 수익성 있는 포트폴리오 할당을 이끈다.