Przeciętny ruch online

Przekazywanie średniej strategii rewersji w celu wyboru portfela on-line. Steven CH Hoi b. Doyen Sahoo b. Zhi-Yong Liu ca Szkoła Zarządzania i Zarządzania, Wuhan University, Wuhan 430072, PR China. b Szkoła Systemów Informacyjnych, Singapore Management University, 178902 , Singapore. c Instytut Automatyki, Chińska Akademia Nauk, Pekin 100080, PR China. Received 17 grudnia 2017 Poprawiony 24 Styczeń 2018 Przyjęty 28 stycznia 2018 Dostępny online 2 lutego 2018.Nie wybór linii bankowych, fundamentalny problem w finansowaniu obliczeniowym, wzbudził w ostatnich latach coraz większe zainteresowanie środowiskami sztucznej inteligencji i uczenia się maszyn empirycznych dowodów na to, że wysokie i niskie ceny akcji są tymczasowe, a ceny akcji prawdopodobnie będą dotyczyć średniego zjawiska rewersyjnego. Choć obecne strategie średniej rewersji wykazują dobre wyniki empiryczne wiele rzeczywistych zestawów danych, często sprawiają, że jednokresowe średnie odejście od założenia, które nie zawsze jest satysfakcjonujące, prowadzi g do złej wydajności w niektórych zbiorach danych rzeczywistych Aby przezwyciężyć to ograniczenie, w tym artykule proponuje się wielokrotne średnie odwrócenie lub tak zwane Moving Average Reversion MAR oraz nową strategię selekcji portfela on-line o nazwie On-Line Moving Average RevMail OLMAR, która wykorzystuje efektywne i skalowalne techniki uczenia się maszyn online Z naszych empirycznych wyników na rynkach rzeczywistych stwierdziliśmy, że OLMAR może pokonać wady istniejących średnich algorytmów odwracania i osiągnąć znacznie lepsze rezultaty, zwłaszcza w przypadku zestawów danych, w których nie występują istniejące średnie algorytmy odwrotne jego olbrzymie osiągi empiryczne, OLMAR działa również bardzo szybko, co dodatkowo sprzyja praktycznemu zastosowaniu do szerokiej gamy zastosowań Wreszcie udostępniliśmy wszystkie zestawy danych i kody źródłowe tej publikacji w naszej witrynie internetowej projektu. Portfolio selekcji. Miesięczna rewizja. Średnia rewizja. tabela 3 algorytm 2 algorytm 3. cs arXiv 1206 4626put er Inżynieria obliczeniowa, finanse i nauka. Wybór pozycji on-line w portfolio za pomocą ruchomych średnich odwróceń. Przedstawione w dniu 18 czerwca 2017 r. Wybór abstrakcyjnych on-line przyciąga coraz większe zainteresowanie naukami komputerowymi i wspólnoty AI Ostatnie oznaki empiryczne wskazują, że wysokie i niskie ceny akcji są tymczasowe, a klienci z cen akcji prawdopodobnie będą postępować zgodnie ze średnim zjawiskiem odwracania. średnioroczne strategie odwrotne wskazują na uzyskanie dobrych wyników empirycznych w wielu rzeczywistych zbiorach danych, często stanowią one jedno z okresów średniego odchylenia, co nie zawsze jest satysfakcjonujące w niektórych rzeczywistych zbiorach danych, co prowadzi do złej skuteczności, gdy założenie nie jest możliwe Aby przezwyciężyć ograniczenie , ten artykuł proponuje wielokrotne średnie odwrócenie lub tak zwane Moving Average Reversion MAR oraz nową strategię selekcji portfela on-line o nazwie On-Line Moving Average Revival OLMAR, która wykorzystuje MAR przez zastosowanie silnych technik uczenia się online Z naszego empirycznego wyniki, okazało się, że OLMAR może pokonać wadę istniejących średnich algorytmów odwracania i osiągnąć s znacznie lepsze wyniki, zwłaszcza w przypadku zestawów danych, w których nie udało się zastosować istniejących średnich algorytmów odwracania. Oprócz doskonałych wyników handlowych, OLMAR działa również bardzo szybko, co dodatkowo sprzyja praktycznemu zastosowaniu do szerokiej gamy zastosowań. Średnia strategia odwracania dla wyboru portfela on-line . Ukryj streszczenie Ukryj streszczenie STRESZCZENIE Zbadamy, jak i kiedy dywersyfikować kapitał na aktywach, tj. Problem selekcji portfela, z perspektywy przetwarzania sygnałów W tym celu skonstruujemy portfele, które osiągają optymalny oczekiwany wzrost w iR dyskretnych rynkach dwóch aktywów w proporcjonalnych kosztach transakcyjnych Rozszerzamy naszą analizę na rynki mające więcej niż dwa zapasy Rynek jest modelowany przez sekwencję cenowych wektoryzacji względnych z arbitralnymi dyskretnymi rozkładami, które mogą być wykorzystane do przybliżenia szerokiej klasy ciągłych dystrybucji Aby osiągnąć optymalną wzrost, używamy portfeli progowych, w których wprowadzamy aktualizację rekurencyjną w celu obliczenia oczekiwanego bogactwa Wykażemy, że w ramach restrukturyzacji progów, osiągalny zestaw portfeli elegancko tworzy nieodmienną sieć Markowa w łagodnych warunkach technicznych Oceniamy odpowiednią stacjonarną dystrybucję ten łańcuch Markov, który zapewnia naturalne i efektywna metoda obliczania skumulowanego oczekiwanego bogactwa Następnie odpowiednie parametry są zoptymalizowane, dając optymalny portfel wzrostu w ramach proporcjonalnych kosztów transakcji w iid dyskretnych rynkach dwóch aktywów Jako powszechnie znany problem finansowy rozwiązujemy również optymalny problem wyboru portfela w dyskretnych rynki czasowe skonstruowane przez pobieranie próbek na rynkach Browna w sposób ciągły W przypadku, gdy nie są znane nieznane rozkłady dyskretnych cen we względnych wektorach, dostarczamy maksymalnego wskaźnika prawdopodobieństwa, który jest również włączony w ramy optymalizacji w naszych symulacjach. Artykuł Oct 2018.N Denizcan Vanli Sait Tunc Mehmet A Donmez Suleyman S Kozat.