• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看

      ?

      基于自回歸移動(dòng)平均反轉(zhuǎn)的在線投資組合選擇

      2018-07-25 07:41:58郁順昌黃定江
      計(jì)算機(jī)應(yīng)用 2018年5期
      關(guān)鍵詞:集上收益價(jià)格

      郁順昌,黃定江

      (1.華東理工大學(xué)理學(xué)院,上海200237; 2.華東師范大學(xué) 數(shù)據(jù)科學(xué)與工程學(xué)院,上海200241)

      (*通信作者電子郵箱shuncyu@163.com)

      0 引言

      投資組合選擇是計(jì)算金融領(lǐng)域[1-2]中的一個(gè)基本問(wèn)題,也是金融工程領(lǐng)域[3-5]中一項(xiàng)具體的實(shí)際工程任務(wù)。它的主要目的在于優(yōu)化一組資產(chǎn)間的收益分配,進(jìn)而獲得最優(yōu)的投資回報(bào)。近幾十年來(lái),人們對(duì)投資組合選擇問(wèn)題已經(jīng)在機(jī)器學(xué)習(xí)[6-8]和人工智能[9-12]領(lǐng)域進(jìn)行了廣泛的探索。其中,一類具有代表性和前沿性的研究就是反轉(zhuǎn)策略,即捕捉和利用金融市場(chǎng)中的均值反轉(zhuǎn)現(xiàn)象,使得投資累積收益最大化。

      雖然這些均值反轉(zhuǎn)類算法在許多數(shù)據(jù)集上的應(yīng)用十分成功,但在道瓊斯工業(yè)指數(shù)(Dow Jones Industrial Average,DJIA)數(shù)據(jù)集[13-16]上卻表現(xiàn)不佳。主要原因包括:1)現(xiàn)有的部分均值反轉(zhuǎn)策略不能很好地處理噪聲和異常值;2)沒(méi)有充分考慮金融時(shí)間序列中普遍存在的非平穩(wěn)性特征;3)單周期的假設(shè)并不符合實(shí)際情形。

      針對(duì)上述問(wèn)題,本文利用自回歸移動(dòng)平均反轉(zhuǎn)模型,并結(jié)合在線被動(dòng)攻擊(Passive Aggressive,PA)算法提出了在線自回歸移動(dòng)平均反轉(zhuǎn)(OnLine Autoregressive moving average Reversion,OLAR)策略。同時(shí),在4個(gè)真實(shí)市場(chǎng)的數(shù)據(jù)集上進(jìn)行了大量的對(duì)比實(shí)驗(yàn),并進(jìn)行了統(tǒng)計(jì)檢驗(yàn),進(jìn)一步地論證了策略的有效性。

      1 相關(guān)工作

      人們對(duì)在線投資組合選擇已經(jīng)遵循Kelly投資理論進(jìn)行了廣泛的探索。一般地,從所遵循的原則來(lái)說(shuō),投資組合選擇研究有兩個(gè)主流學(xué)派,即Markowitz均值方差理論[17]和Kelly資本增長(zhǎng)理論[18]。而Kelly投資理論中一類代表性的工作是均值反轉(zhuǎn)類策略[13-16,19],這也是本文研究的主要內(nèi)容。此類策略主要分為以下兩種類型:

      1)利用歷史價(jià)格數(shù)據(jù)進(jìn)行預(yù)測(cè)。

      在此類情形中,一般假設(shè)資產(chǎn)價(jià)格服從正態(tài)分布,此時(shí)歷史平均價(jià)格可以很好地用來(lái)解釋市場(chǎng)行為。此類策略主要分為以下兩種:

      一種是利用所有的歷史價(jià)格數(shù)據(jù)進(jìn)行預(yù)測(cè)。主要包括固定再平衡投資組合(ConstantRebalancedPortfolios,CRP)[20-21]、最 優(yōu) 的 固 定 再 平 衡 投 資 組 合 (Best CRP,BCRP)[22]、連 續(xù) 固 定 再 平 衡 投 資 組 合 (Successive CRP,SCRP)[23]和在線牛頓步(Online Newton Step,ONS)[24-25]策略。CRP策略在整個(gè)投資期間保持每個(gè)資產(chǎn)的權(quán)重固定;在市場(chǎng)獨(dú)立同分布的假設(shè)下,整個(gè)市場(chǎng)序列的BCRP策略是一個(gè)最佳的事后CRP策略;而SCRP和ONS則隱含地假設(shè)歷史相對(duì)價(jià)格服從均勻分布,進(jìn)而來(lái)預(yù)測(cè)下一個(gè)價(jià)格。

      除了利用所有的歷史相對(duì)價(jià)格來(lái)進(jìn)行預(yù)測(cè)之外,一些策略通過(guò)選擇一組相似的相對(duì)價(jià)格來(lái)預(yù)測(cè)下一個(gè)相對(duì)價(jià)格。主要包括基于滑動(dòng)窗口的非參核(Nonparametric Kernel based moving window,BK) 策 略[26]、非參 最近 鄰 (Nonparametric Nearest neighbor,BNN) 策 略[27]和 相 關(guān) 驅(qū) 動(dòng) 非 參 學(xué) 習(xí)(Correlation-driven nonparametric learning,CORN) 策 略[28]。此類算法主要選擇不同的相似性度量來(lái)衡量相對(duì)價(jià)格序列的相似度,并構(gòu)造相似集,進(jìn)一步利用相似集來(lái)預(yù)測(cè)下一個(gè)相對(duì)價(jià)格。BK策略利用核方法來(lái)度量相似性;在相同的框架下,BNN策略利用最近鄰方法來(lái)尋找一組相似的相對(duì)價(jià)格序列;CORN策略通過(guò)序列相關(guān)性來(lái)度量相似度。

      2)利用單值預(yù)測(cè)來(lái)預(yù)測(cè)下一個(gè)相對(duì)價(jià)格。

      單值預(yù)測(cè)也是目前“追蹤低收益組合”類策略普遍采取的一種做法。近些年來(lái),國(guó)內(nèi)外的很多學(xué)者進(jìn)行了更加深入的研究和探索,包括目前表現(xiàn)最好的在線滑動(dòng)平均反轉(zhuǎn)(Online Moving Average Reversion,OLMAR)和魯棒中位數(shù)反轉(zhuǎn)(Robust Median Reversion,RMR)策略。此類策略顯式地或者隱含地假設(shè)市場(chǎng)存在反轉(zhuǎn)現(xiàn)象。此類策略主要包括指數(shù)梯度(Exponential Gradient,EG)、被動(dòng)主動(dòng)均值反轉(zhuǎn)(Passive Aggressive Mean Reversion,PAMR)[15]、置信加權(quán)均值反轉(zhuǎn)(Confidence Weight Mean Reversion, CWMR)[16]、OLMAR[13-14]和 RMR[19]等策略。EG[23]把上一個(gè)相對(duì)價(jià)格作為下一個(gè)相對(duì)價(jià)格的預(yù)測(cè)值;PAMR和CWMR用上一個(gè)相對(duì)價(jià)格的倒數(shù)作為下一個(gè)相對(duì)價(jià)格的預(yù)測(cè)值;OLMAR利用移動(dòng)平均或者指數(shù)平滑來(lái)預(yù)測(cè)下一個(gè)相對(duì)價(jià)格;RMR則利用L1中位數(shù)估計(jì)量來(lái)預(yù)測(cè)下一個(gè)相對(duì)價(jià)格。

      然而,還有一些算法不注重估計(jì)量的選擇和設(shè)計(jì)。比如,泛化投資組合(Universal Portfolios,UP)[22,29]是所有 CRP 的歷史加權(quán)平均;反相關(guān)性(Anti-correlation,Anticor)策略[30]利用正滯后互相關(guān)和負(fù)自相關(guān)的一致性來(lái)調(diào)整投資組合。

      本文假設(shè)市場(chǎng)存在反轉(zhuǎn)現(xiàn)象,并遵循單值預(yù)測(cè)的方法來(lái)設(shè)計(jì)投資組合。本文著重解決金融時(shí)間序列的非平穩(wěn)性,單周期和噪聲等問(wèn)題,重點(diǎn)關(guān)注策略在累積收益等指標(biāo)上的性能提升和交易成本對(duì)策略的影響,并設(shè)計(jì)更加有效的算法。

      2 問(wèn)題定義

      考慮金融市場(chǎng)上一項(xiàng)具有d類資產(chǎn)和n個(gè)交易周期的投資。第t個(gè)交易周期,資產(chǎn)價(jià)格由收盤價(jià)向量pt∈Rd+來(lái)表示,其中元素pit表示第i類資產(chǎn)的收盤價(jià)。資產(chǎn)價(jià)格的變化由相對(duì)價(jià)格向量xt=(x1t,x2t,…,xdt)∈Rd+來(lái)表示,其中xjt表示第j類資產(chǎn)在第t與t-1期收盤價(jià)的比率,即在第t個(gè)周期對(duì)第j類資產(chǎn)的投資將會(huì)通過(guò)因子xjt來(lái)增加。記為從t周期到t周期的相對(duì)價(jià)格序12列。

      投資組合經(jīng)理的目標(biāo)是設(shè)計(jì)一個(gè)策略bn1來(lái)最大化投資組合的累積收益Sn,其中投資組合選擇以在線的方式進(jìn)行。根據(jù)歷史信息,管理者會(huì)在周期t為相對(duì)價(jià)格向量xt選擇一個(gè)新的投資組合向量bt。而由此產(chǎn)生的投資組合bt則基于投資周期的收益st進(jìn)行打分。這樣的過(guò)程不斷重復(fù)直到交易周期結(jié)束,而投資組合策略的表現(xiàn)是根據(jù)最終的累積收益來(lái)進(jìn)行打分的。在上面的模型中,有3個(gè)隱含的假設(shè):無(wú)交易成本、完美市場(chǎng)和零沖擊成本。這幾個(gè)假設(shè)是不平凡的,在實(shí)際中也并非可行,需要進(jìn)一步探討。

      3 模型動(dòng)機(jī)

      實(shí)證研究表明反轉(zhuǎn)也許更符合市場(chǎng)規(guī)律,即當(dāng)前表現(xiàn)差的股票在下一周期會(huì)表現(xiàn)得好。在實(shí)踐中,一個(gè)Kelly投資經(jīng)理首先就k個(gè)可能的值及其相應(yīng)的概率p1,p2,…,pk來(lái)預(yù)測(cè)表示第i個(gè)相對(duì)價(jià)格向量的預(yù)測(cè)值。然后,可以通過(guò)最大化期望對(duì)數(shù)收益來(lái)找到一個(gè)投資組合

      對(duì)于反轉(zhuǎn)類算法——OLMAR和RMR等,它們通過(guò)基于反轉(zhuǎn)的單期和多期預(yù)測(cè)來(lái)估計(jì)下一個(gè)時(shí)期的相對(duì)價(jià)格。OLMAR利用w個(gè)滯后期價(jià)格的平均值來(lái)估計(jì)第t期結(jié)束時(shí)的價(jià)格,即:

      其中MAt(w)為移動(dòng)平均,w為窗口大小。而RMR則利用價(jià)格序列的中位數(shù)來(lái)預(yù)測(cè)第t期結(jié)束時(shí)的價(jià)格,即:

      上述的操作都是逐元素進(jìn)行的。雖然這些算法在大多數(shù)數(shù)據(jù)集上是有效的,但是目前反轉(zhuǎn)策略仍然存在著諸多問(wèn)題。首先,單周期假設(shè)在大多數(shù)實(shí)際情形中會(huì)遭到破壞,比如很多算法在DJIA數(shù)據(jù)集上都表現(xiàn)不佳;其次,由于受原材料價(jià)格頻繁波動(dòng)的影響,價(jià)格數(shù)據(jù)會(huì)含有大量的噪聲和異常值,導(dǎo)致大多數(shù)算法在實(shí)際中表現(xiàn)不佳;再者,對(duì)于具有趨勢(shì)性的時(shí)間序列,現(xiàn)有的大部分算法都不能得到高精確的預(yù)測(cè)結(jié)果。這些都是導(dǎo)致大多數(shù)算法在DJIA數(shù)據(jù)集上表現(xiàn)不佳的主要原因。

      為了進(jìn)一步說(shuō)明現(xiàn)有策略的缺點(diǎn),先來(lái)看一個(gè)有趣的例子。假設(shè)市場(chǎng)僅由一只股票構(gòu)成,記ti(i>0)為需要進(jìn)行估計(jì)的周期。三種不同形式的市場(chǎng)價(jià)格序列如表1所示。其中,A0、A1是指數(shù)增長(zhǎng)型序列,其價(jià)格通過(guò)序列因子2,2,2來(lái)改變。B0、B1是周期增長(zhǎng)型序列,其價(jià)格通過(guò)序列因子 2,2,0.5來(lái)改變;C0、C1是周期衰減型序列,其價(jià)格通過(guò)序列因子0.5,0.5,2 來(lái)改變。此外,A0、B0、C0表示確切的價(jià)格序列,而 A1、B1、C1表示帶有離群值10的價(jià)格序列,“?”表示待估計(jì)的價(jià)格,“Acc”表示真實(shí)的價(jià)格。

      表1 虛擬市場(chǎng)中不同策略的結(jié)果總結(jié)Tab.1 Summary of different strategies in a toy market

      從表1可以觀察到,與其他策略相比,OLAR得到了更為精確的價(jià)格預(yù)測(cè),而OLMAR的估計(jì)值與真實(shí)值相差較大,預(yù)測(cè)精度不高。對(duì)于多期的情形,OLAR比RMR表現(xiàn)得更好,預(yù)測(cè)精度更高。同時(shí),對(duì)于沒(méi)有異常值存在的序列A0、B0、C0,OLAR的預(yù)測(cè)值與真實(shí)值相同,得到了精準(zhǔn)的預(yù)測(cè);對(duì)于存在異常值的序列噪聲序列A1、B1、C1,OLAR可以像 RMR一樣,能夠很好地處理波動(dòng)和異常值。雖然這個(gè)虛構(gòu)的例子只是基于單一資產(chǎn)構(gòu)造的,但是這種估計(jì)可以很容易地?cái)U(kuò)展到多個(gè)資產(chǎn)的情況。

      4 在線自回歸移動(dòng)平均反轉(zhuǎn)(OLAR)算法

      為了解決金融時(shí)間序列中的非平穩(wěn)性問(wèn)題,本文首先選擇能夠有效地處理非平穩(wěn)性的ARIMA模型對(duì)股價(jià)進(jìn)行預(yù)測(cè),并進(jìn)一步地設(shè)計(jì)參數(shù)更新和算法,進(jìn)而利用在線PA算法設(shè)計(jì)投資組合。

      4.1 模型簡(jiǎn)化

      ARIMA模型一般由兩部分構(gòu)成:自回歸項(xiàng)AR和移動(dòng)平均項(xiàng)MA。為了估計(jì)下一期的相對(duì)價(jià)格,首先給出下一期價(jià)格的預(yù)測(cè)模型ARIMA(p,d,q):

      其中:p,q分別為自回歸項(xiàng)和移動(dòng)平均項(xiàng)的滯后期,d為差分次數(shù),αi、βi分別為自回歸項(xiàng)和移動(dòng)平均項(xiàng)的系數(shù)。這里假設(shè)移動(dòng)平均項(xiàng)MA(q)是可逆的,因此經(jīng)過(guò)適當(dāng)?shù)刈儞Q,可以將ARIMA(p,d,q)模型轉(zhuǎn)化為AR(∞,d)模型。然而,考慮到滯后期越大的項(xiàng)對(duì)當(dāng)前的預(yù)測(cè)影響越小,因此這里舍棄某一滯后期之后的所有項(xiàng),那么原模型就轉(zhuǎn)化為AR(p+m,d)模型,即

      因此,股票價(jià)格的預(yù)測(cè)問(wèn)題就轉(zhuǎn)化為AR(p+m,d)模型的求解問(wèn)題。

      4.2 算法設(shè)計(jì)與分析

      接下來(lái),采用在線學(xué)習(xí)的方式來(lái)求解AR模型。首先,這里給出損失函數(shù)的公式定義:

      它描述了預(yù)測(cè)值和真實(shí)值之間的差異,其中γt表示第t次迭代更新之后的參數(shù),其目標(biāo)是最小化累積損失,即:

      t

      其中:第一項(xiàng)為經(jīng)驗(yàn)誤差項(xiàng);第二項(xiàng)為正則項(xiàng),也稱為結(jié)構(gòu)誤差,其作用為防止過(guò)擬合。本文中的損失函數(shù)ft(γt)均采用指數(shù)凹型損失,即存在α>0,使得exp(-αft(γt))為凹函數(shù)。

      接著,將損失函數(shù)fτ(γ)在γτ處進(jìn)行二階泰勒近似,并舍棄余項(xiàng),即

      由于常數(shù)項(xiàng)和正常數(shù)因子不會(huì)影響優(yōu)化問(wèn)題的解,因此式(3)中的優(yōu)化問(wèn)題可以轉(zhuǎn)化為如下的優(yōu)化問(wèn)題

      因?yàn)槌?shù)項(xiàng)不影響優(yōu)化問(wèn)題的解,所以式(5)中的優(yōu)化問(wèn)題可以轉(zhuǎn)化為

      為了使得算法更高效,本文采用迭代更新的方式來(lái)計(jì)算每一時(shí)期矩陣的逆,即:

      這種更新方式可以節(jié)省大量計(jì)算矩陣逆的時(shí)間,因此只需要花費(fèi)O(n2)的時(shí)間開銷,其中n為矩陣的階數(shù)。OLAR算法如算法1所示。

      算法1 OLAR(p,m,η)。

      1) 輸入:參數(shù)p,m,學(xué)習(xí)率η,初始矩陣A0=ηI;

      2) for t=1 to T do

      預(yù)測(cè)下一個(gè)價(jià)格向量:

      s.t. b·^xt+1≥ ε

      其中:^xt+1為要估計(jì)的下一個(gè)相對(duì)價(jià)格向量,ε為反轉(zhuǎn)閾值。上述優(yōu)化問(wèn)題試圖在滿足約束的條件下,找到與之前的投資組合bt偏差最小的一個(gè)投資組合。

      接下來(lái),利用拉格朗日乘子法求解式(7),過(guò)程如下:

      ① 構(gòu)造拉格朗日函數(shù)L(b,λt+1,η):

      其中λt+1=于沒(méi)有考慮非負(fù)約束,所以式(9)中的投資組合可能會(huì)超出可行域。因此,為了確保投資組合是非負(fù)的,最終要將更新的投資組合投影到可行域中[31],其算法總結(jié)在算法2中。

      最后,本文在一般的投資組合選擇框架下來(lái)設(shè)計(jì)基于OLAR算法的投資組合選擇策略,如算法3所示。OLAR策略利用數(shù)據(jù)的二階信息對(duì)價(jià)格進(jìn)行預(yù)測(cè),并采用迭代的方式來(lái)更新矩陣的逆和各項(xiàng)參數(shù),只需要花費(fèi)O(n2)的時(shí)間開銷和空間開銷,因此顯得更為高效。

      算法 2 PA(ε,^xt+1,bt)。

      步驟1 輸入:閾值ε,估計(jì)的相對(duì)價(jià)格向量^xt+1,當(dāng)前投資組合bt;

      步驟2 計(jì)算參數(shù):

      5 實(shí)證研究

      本章將通過(guò)與14種現(xiàn)有的策略進(jìn)行對(duì)比(包括目前表現(xiàn)最好的OLMAR和RMR算法),并利用累積收益等多項(xiàng)實(shí)驗(yàn)效果度量指標(biāo)以及統(tǒng)計(jì)檢驗(yàn)來(lái)對(duì)OLAR策略進(jìn)行測(cè)試,以此來(lái)說(shuō)明OLAR策略的有效性。

      5.1 數(shù)據(jù)集及實(shí)驗(yàn)設(shè)置

      實(shí)驗(yàn)中所采用的數(shù)據(jù)集是來(lái)自于真實(shí)市場(chǎng)的4個(gè)公開數(shù)據(jù)集,即NYSE(O)、NYSE(N)、DJIA和MSCI。具體信息總結(jié)在表2中。在實(shí)驗(yàn)中,統(tǒng)一設(shè)置ε=10。

      表2 真實(shí)市場(chǎng)的基準(zhǔn)數(shù)據(jù)集Tab.2 Summary of real-world benchmark datasets

      5.2 實(shí)驗(yàn)效果度量

      在本文的實(shí)驗(yàn)中,采用7種指標(biāo)來(lái)度量各個(gè)策略的實(shí)驗(yàn)效果。具體如下:

      1)累積收益。整個(gè)交易周期內(nèi)由策略所實(shí)現(xiàn)總收益,是一個(gè)標(biāo)準(zhǔn)的策略表現(xiàn)度量指標(biāo)。

      2)年化收益率(Annualized Percentage Yield,APY)。反映了策略實(shí)際收益的復(fù)合效應(yīng),該指標(biāo)越大越好,這也是實(shí)證研究中最重要的一個(gè)參考指標(biāo)。

      3)波動(dòng)率(Volatility,VL)。反映了投資組合的穩(wěn)定性,該指標(biāo)越小越好。

      4)夏普比率(Sharpe Ratio,SR)。反映了每單位風(fēng)險(xiǎn)的超額收益,該指標(biāo)越大越好。

      5)Calmar比率(Calmar Ratio,CR)。反映了年化收益和歷史最大回撤之間的關(guān)系,該指標(biāo)越大越好。

      6)最大回撤率(Maximum Drawdown,MDD)。描述了投資組合可能面臨的最大虧損,它是一個(gè)重要的風(fēng)險(xiǎn)指標(biāo),該指標(biāo)越小越好。

      7)周轉(zhuǎn)率。反映了策略的穩(wěn)定性,該指標(biāo)越小說(shuō)明策略越穩(wěn)定。

      同時(shí),本文針對(duì)OLAR策略進(jìn)行了統(tǒng)計(jì)檢驗(yàn)。統(tǒng)計(jì)檢驗(yàn)是為了檢驗(yàn)策略的效果是否由隨機(jī)因素造成,這也是檢驗(yàn)策略有效性的一種重要方法。

      5.3 實(shí)驗(yàn)結(jié)果分析

      5.3.1 累積收益

      表3展示了實(shí)證研究部分的主要結(jié)果,即4個(gè)數(shù)據(jù)集上不同策略的累積收益表現(xiàn)。從表3可以觀察到,與參與比較的14種策略相比,OLAR策略的表現(xiàn)最好,在 NYSE(O)、NYSE(N)和DJIA三個(gè)數(shù)據(jù)集上都獲得了最大的累積收益。雖然在MSCI數(shù)據(jù)集上OLAR沒(méi)有得到最大的累積收益,但是它的累積收益仍然高于OLMAR和RMR。同時(shí),與目前表現(xiàn)最好的OLMAR和RMR策略相比,OLAR策略在四個(gè)數(shù)據(jù)集上的累積收益依次(至少)提升了 455.6%,221.5%,11.2%和50.3%。因此,從累積收益上來(lái)看,OLAR擊敗了現(xiàn)有最好的策略,并且效果提升顯著。

      表4展示了OLAR策略的統(tǒng)計(jì)檢驗(yàn)(t檢驗(yàn))結(jié)果,其中MER為平均誤差率,WR為策略的勝率,α、β為回歸因子。可以觀察到,除DJIA數(shù)據(jù)集之外,其余3個(gè)數(shù)據(jù)集上的概率p值均為0。這表明在這3個(gè)數(shù)據(jù)集上,OLAR在累積收益方面的優(yōu)異表現(xiàn)是由隨機(jī)因素造成的概率為0。然而,在DJIA數(shù)據(jù)集上,由隨機(jī)因素產(chǎn)生超額收益的概率為0.003 3,也遠(yuǎn)小于0.01。因此,可以認(rèn)為OLAR策略在累積收益上的卓越表現(xiàn)并不是由隨機(jī)因素造成的,進(jìn)一步表明該策略是有效的。

      表3 4個(gè)數(shù)據(jù)集上各種策略的累積收益Tab.3 Accumulated profits of various strategies on four datasets

      表4 4個(gè)數(shù)據(jù)集上OLAR統(tǒng)計(jì)檢驗(yàn)結(jié)果Tab.4 Statistical test results of OLAR on four datasets

      5.3.2 其他效果度量指標(biāo)

      從表5可以觀察到,與OLMAR和RMR相比,OLAR在全部的4個(gè)數(shù)據(jù)集中都獲得了最大的APY,最高的CR和SR,以及最低的MDD。同時(shí)OLAR在NYSE(O)和DJIA兩個(gè)數(shù)據(jù)集上均獲得了最小的波動(dòng)率。在NYSE(N)數(shù)據(jù)集上,OLAR的波動(dòng)率比RMR高,但是卻比OLMAR的波動(dòng)率低;在MSCI數(shù)據(jù)集上,OLAR的波動(dòng)率比OLMAR和RMR的波動(dòng)率都要高。雖然OLAR在NYSE(N)和MSCI數(shù)據(jù)集上沒(méi)有得到最低的波動(dòng)率,但是與RMR和OLMAR的波動(dòng)率相差不大,同時(shí)在其他指標(biāo)上均有良好的表現(xiàn),因此這并不會(huì)對(duì)策略的表現(xiàn)和有效性造成嚴(yán)重的影響。綜上所述,OLAR基本上在所有的實(shí)驗(yàn)指標(biāo)上均獲得了良好的表現(xiàn)。

      5.3.3 交易成本分析

      在實(shí)際交易中,交易成本是一個(gè)重要的且不可回避的問(wèn)題,因此,本節(jié)研究了交易成本對(duì)策略的影響。

      從圖1可以觀察到,當(dāng)交易成本率γ從0變化到1%時(shí),所有交易策略的累積收益都會(huì)逐步減少。然而,在4個(gè)數(shù)據(jù)集中,OLAR策略的累積收益曲線始終在OLMAR和RMR兩個(gè)策略的收益曲線之上,這表明在交易成本相同的情況下,OLAR可以獲得更大的累積收益。同時(shí),在大交易成本率下,OLAR仍然能夠獲得一定的收益,這表明OLAR策略能夠承受更高的交易成本,同時(shí)也說(shuō)明OLAR比RMR和OLMAR更加穩(wěn)健。

      表5 OLMAR、RMR和OLAR在各種實(shí)驗(yàn)指標(biāo)下的對(duì)比Tab.5 Comparison of various experimental indicators among OLMAR,RMR and OLAR

      圖1 各策略交易成本分析Fig.1 Transaction cost analysis of various strategies

      5.3.4 穩(wěn)定性度量指標(biāo)——周轉(zhuǎn)率

      從表6可以觀察到,OLAR在4個(gè)數(shù)據(jù)集上的周轉(zhuǎn)率都明顯地比 OLMAR和 RMR策略小。其中,與 RMR相比,OLAR在4個(gè)數(shù)據(jù)集上的周轉(zhuǎn)率依次降低了15.6%,2.4%,18.3%,16.4%;與 OLMAR 相比,OLAR 在4 個(gè)數(shù)據(jù)集上的周轉(zhuǎn)率依次降低了 20.0%,8.8%,24.9%,21.0%。這表明OLAR策略比OLMAR和RMR更穩(wěn)定。

      表6 OLMAR、RMR和OLAR的周轉(zhuǎn)率比較Tab.6 Comparison of turnover among OLMAR,RMR,and OLAR

      5.3.5 計(jì)算時(shí)間分析

      在高頻交易中,對(duì)運(yùn)行時(shí)間有著十分嚴(yán)格的要求,往往需要在百分之一秒甚至更短的時(shí)間內(nèi)進(jìn)行操作,因此運(yùn)行時(shí)間要求也是對(duì)投資組合選擇策略的一大考驗(yàn)。表7展示了幾種不同策略的真實(shí)的運(yùn)行時(shí)間??梢钥闯?,OLAR的計(jì)算時(shí)間與OLMAR和RMR的計(jì)算時(shí)間基本一致,這也表明了OLAR策略的實(shí)際可行性和可操作性。

      表7 各種策略的計(jì)算時(shí)間對(duì)比 sTab.7 Comparison of computational time among various strategies s

      6 結(jié)語(yǔ)

      本文提出了一種基于自回歸移動(dòng)平均反轉(zhuǎn)的多周期投資組合選擇策略——OLAR策略。首先,OLAR利用ARIMA模型消除了時(shí)間序列的非平穩(wěn)性,可以更好地進(jìn)行價(jià)格預(yù)測(cè)。然后,在在線學(xué)習(xí)的框架下,OLAR策略得到了有效實(shí)施。各項(xiàng)實(shí)驗(yàn)結(jié)果表明,與OLMAR和RMR等策略相比,OLAR策略在累積收益、年化收益率和夏普比率等各項(xiàng)指標(biāo)上均表現(xiàn)突出,同時(shí)通過(guò)了統(tǒng)計(jì)性檢驗(yàn)。除此之外,與OLMAR和RMR相比,OLAR擁有更低的周轉(zhuǎn)率和波動(dòng)率,同時(shí)能夠承受更大的交易成本,這表明OLAR能夠更好地處理噪聲和波動(dòng),更具魯棒性。這些結(jié)果一致地表明:OLAR是一個(gè)可行而高效的策略。然而,仍然存在著一些問(wèn)題:OLAR在DJIA和MSCI數(shù)據(jù)集上的提升效果并不顯著,這可能是由于單一模型預(yù)測(cè)所導(dǎo)致的。一個(gè)比較好的解決辦法是利用集成學(xué)習(xí)的方法來(lái)研究股價(jià)的預(yù)測(cè)以及投資組合的選擇,這可以作為未來(lái)的研究方向,需要進(jìn)一步的研究和探索。

      猜你喜歡
      集上收益價(jià)格
      螃蟹爬上“網(wǎng)” 收益落進(jìn)兜
      Cookie-Cutter集上的Gibbs測(cè)度
      鏈完備偏序集上廣義向量均衡問(wèn)題解映射的保序性
      復(fù)扇形指標(biāo)集上的分布混沌
      價(jià)格
      汽車之友(2016年18期)2016-09-20 14:10:22
      價(jià)格
      汽車之友(2016年10期)2016-05-16 14:18:45
      價(jià)格
      汽車之友(2016年6期)2016-04-18 18:29:21
      2015年理財(cái)“6宗最”誰(shuí)能給你穩(wěn)穩(wěn)的收益
      金色年華(2016年1期)2016-02-28 01:38:19
      東芝驚爆會(huì)計(jì)丑聞 憑空捏造1518億日元收益
      價(jià)格
      汽車之友(2014年8期)2014-04-16 17:47:39
      壶关县| 襄垣县| 剑川县| 青川县| 工布江达县| 河津市| 磐石市| 元朗区| 岗巴县| 揭西县| 犍为县| 石狮市| 法库县| 杂多县| 璧山县| 望城县| 临猗县| 安西县| 余姚市| 新安县| 思南县| 南昌市| 新安县| 桦川县| 乌拉特中旗| 呼图壁县| 资中县| 芒康县| 新乡市| 平遥县| 阳城县| 石楼县| 沁阳市| 大连市| 桃江县| 健康| 民县| 仙游县| 平顶山市| 仲巴县| 新昌县|