[论文解读] 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 44

一句话总结

本文提出OLMAR，一种基于多期均值回归（移动平均回归，MAR）的在线投资组合选择算法，通过利用在线学习技术，改进了单期均值回归策略。OLMAR在现有方法中表现显著更优，尤其在单期假设失效的数据集上，同时保持了高计算效率。

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.

研究动机与目标

• 解决现有在线投资组合选择算法中单期均值回归假设的局限性。
• 开发一种稳健的在线学习框架，以捕捉股票价格的多期均值回归行为。
• 设计一种快速且实用的算法，适用于现实世界的金融应用。
• 通过实证验证在传统均值回归策略表现不佳的数据集上，OLMAR的优越性能。

提出的方法

• 提出移动平均回归（MAR），一种多期均值回归模型，用于捕捉股票价格相对收益随时间向移动平均值回归的趋势。
• 设计OLMAR算法作为在线投资组合选择策略，根据MAR信号动态调整股票权重。
• 采用在线学习技术，利用历史价格数据实时更新投资组合配置。
• 使用凸优化框架计算最优投资组合权重，以最小化相对于最优恒定再平衡投资组合的遗憾。
• 采用滑动窗口估计过去收益，以实现自适应的回归检测。
• 应用投影步骤，确保权重保持在概率单纯形内，维持有效的投资组合约束。

实验结果

研究问题

• RQ1 多期均值回归模型是否能超越单期假设，在在线投资组合选择中实现性能提升？
• RQ2 OLMAR在真实世界金融数据集上是否优于现有的基于均值回归的算法？
• RQ3 当单期均值回归假设失效时，OLMAR的表现如何？
• RQ4 与其它在线投资组合策略相比，OLMAR的计算效率如何？
• RQ5 OLMAR是否能在多种市场条件下保持稳健表现？

主要发现

• 在单期假设失效的数据集上，OLMAR显著优于现有均值回归算法。
• OLMAR在多个真实世界股票数据集上实现了更优的累计财富增长，尤其在波动性或非平稳市场中表现突出。
• 该算法表现出极高的计算速度，适用于实时交易应用。
• 实证结果表明，基于MAR的策略在非理想市场条件下比单期模型更具韧性。
• OLMAR在不同市场周期中均保持强劲表现，表明其对市场动态变化具有鲁棒性。
• 该方法有效捕捉了多期均值回归特征，从而实现更稳定且盈利的投资组合配置。