针对现有均值反转类策略存在的预测模型参数无法动态更新和未充分考虑动量效应的问题,提出一种策略M-ODMAR。使用简单移动平均模型对股票价格进行预测,并通过在线牛顿步(Online Newton Step,ONS)算法对模型参数进行动态更新;利用在线被...针对现有均值反转类策略存在的预测模型参数无法动态更新和未充分考虑动量效应的问题,提出一种策略M-ODMAR。使用简单移动平均模型对股票价格进行预测,并通过在线牛顿步(Online Newton Step,ONS)算法对模型参数进行动态更新;利用在线被动攻击(Passive Aggressive,PA)算法选取投资组合;使用L1中位数来提取价格动量信息并对投资组合进行调整。实验结果显示,在四个数据集上该策略的累积收益高于所对比的其他策略,说明了参数的动态更新和动量效应的加入对于均值反转类策略的累积收益提高具有促进作用。展开更多
文摘针对现有均值反转类策略存在的预测模型参数无法动态更新和未充分考虑动量效应的问题,提出一种策略M-ODMAR。使用简单移动平均模型对股票价格进行预测,并通过在线牛顿步(Online Newton Step,ONS)算法对模型参数进行动态更新;利用在线被动攻击(Passive Aggressive,PA)算法选取投资组合;使用L1中位数来提取价格动量信息并对投资组合进行调整。实验结果显示,在四个数据集上该策略的累积收益高于所对比的其他策略,说明了参数的动态更新和动量效应的加入对于均值反转类策略的累积收益提高具有促进作用。
