几种在线组合投资策略分析评述

首先阐述了在线证券组合投资策略及竞争分析的基本概念,然后沿着在线证券组合投资策略研究的发展,详细介绍了几个在线证券组合投资模型及其思想方法,并结合实际例子解释了两类模型思想方法的具体应用.最后提出了值得进一步深入研究的几个方面.

学习带边信息专家意见的在线投资组合策略

针对以往学习专家意见的在线投资组合策略中专家策略并未考虑有助于提高投资者收益的边信息的不足,选取在相同边信息状态下投资相同单只股票、不同边信息状态下可能投资不同单只股票的策略为专家意见,基于指数加权平均算法(EWA)提出了学习带边信息专家意见的在线投资组合策略(EWAES).然后,从理论上证明了对任何的股票价格序列该策略都能够追踪最优专家意见.最后,采用中美金融市场实际股票数据对EWAES策略进行了数值分析,结果说明了该策略的有效性.

基于自适应矩估计的在线投资组合梯度下降策略

对于在线投资组合选择问题,充分利用历史数据能有效地减少市场噪声对投资策略的影响,但这往往会导致策略计算效率降低。与其相对应的是,高频交易的日益发展与数据量的爆发式增长愈发要求投资策略具备高效的计算能力。为此,借助于自适应矩估计,以增量的方式利用历史数据,提出了一个基于自适应矩估计的在线投资组合梯度下降策略。理论分析表明,该策略具有泛证券性,即其与离线的最优定常再调整策略具有相同的渐近平均对数增长率;同时,该策略在充分利用历史数据的情况下依然保持线性时间复杂度。实证分析表明,该策略在收益以及计算时间等指标上表现出较好的性能,同时能承受合理的交易费用,故而具有良好的实际应用前景。

基于在线学习的自动修正组合投资选择算法

提出了一个基于在线学习的自动修正组合投资选择算法(AU)。AU算法不基于任何股票市场模型,能够取得接近最佳固定重平衡组合投资(BCRP)的投资收益,并且超过了在线多阶段组合投资算法的投资收益,在同类型的在线组合投资选择算法上有明显的优势。

基于价格趋势驱动的元学习算法在线投资组合策略

随着我国经济的迅速发展和国民可供分配收入的不断增加,人们投资需求变得更为强烈,如何高效合理地进行投资组合俨然成为投资者关注的热点问题。针对在线投资组合策略过于单一的价格预测和难以确定精准投资比例的问题,提出了基于价格趋势驱动的元学习算法在线投资组合策略(TPPT)。首先,考虑到股票价格异象的影响,提出了根据历史窗口期的等权重斜率值的三状态价格预测方法来追踪价格变化。其次,加入基于梯度投影的快速误差反向传播(BP)算法来求解投资比例。于是TPPT策略就将资产的增加能力反馈到投资比例上,以此来最大化累积财富。最后,5个典型数据的实证分析表明了TPPT策略在平衡风险与收益上占据较大的优势,是一种稳健且行之有效的在线投资组合策略。

非平稳市场中适应性在线投资组合策略设计与分析

考虑到股票市场的表现往往是非平稳的,过去较长时间的股票价格对当前的投资决策影响较小,因此基于近期股票价格数据设计在线投资组合策略.首先,将上一期的策略与固定长度的股票价格近期数据对应的最优定常再调整策略加权平均,设计了一个在线投资组合策略.其次,进一步采用在线学习的方法选择加权平均的权重,设计了一个适应性的在线投资组合策略.利用实际股票价格数据对构造的策略进行数值分析,结果表明与基准策略和已有的在线投资组合策略相比,设计的策略具有较好的性能.

基于排序预测的带交易费用在线投资组合策略

在线投资组合决策过程中频繁调整资产头寸会产生较多的交易费用。本文提出了一个综合考虑预期收益和交易费用的在线投资组合策略。通过预测资产的排序计算组合的预期收益,利用相对熵距离衡量交易费用,构造了一个极大化预期收益和极小化交易费用的优化模型,从而得到了一个在线投资组合更新策略。然后,从理论上证明了该策略具有BH泛证券性,即该策略与离线的最优购买并持有策略具有相同的渐近平均指数收益率。最后,采用中美股票市场实际数据,对该策略进行了数值分析。结果表明,该策略的表现优于已有的在线投资组合策略,且对模型的参数不敏感。

考虑组合预测股价的泛证券投资组合选择策略

基于过去信息对股价进行预测是无统计假设下在线投资组合的关键问题之一。为了减小市场异常值或白噪声的影响,本文采用多期历史价格信息预测下一期的股价,并结合指数平滑法和L_(1)-中位数估计法构造组合预测模型。在股价预测值的基础上,以期望收益最大化作为目标进行决策。为减少交易费用,在优化目标函数中加入一个惩罚项来调节投资比例的变动幅度,通过求解得到一种新的在线投资组合选择策略。理论分析结果证明,本文所提出的策略与最优定常再调整策略的平均对数收益率渐近相同。数值分析结果进一步表明:该文提出的策略在国内外多个数据集上的表现均优于其他经典的泛证券投资组合策略,能够承受一定范围内的交易费用,并且对其他参数的选择不敏感。

基于增量宽度学习的投资组合风险控制模型

在线投资组合研究成为近年的热点,引起很多来自不同领域研究人员的关注。然而,金融市场的现有模型并未考虑增量学习、资产波动风险以及在特征值水平上消除系统噪声等问题。在宽度学习的基础上提出了一种在线增量学习模型,可以采用增量的方式进行在线学习。并提出了一种基于随机矩阵理论的去噪方法,从特征值维度上去消除系统噪声。实验结果表明,所提出的模型不仅能够在累积财富指标方面取得较好的效果,同时在其他指标如夏普比率、信息比率和卡尔马比率上均优于现有的常用模型。因此,该模型可以在有效控制风险的同时产生良好的累积收益。

基于活跃专家意见的在线投资组合策略

综合考虑专家意见是投资者常用的投资决策方法。通过集成活跃专家意见,提出了一个新的在线投资组合策略。首先将所有定常再调整策略看作专家,并通过淘汰近期表现最差的专家构造活跃专家集合;然后利用弱集成算法集成所有活跃专家的意见,进而构造弱集成活跃专家策略。采用实际的股票数据对提出的策略进行数值分析,结果表明该策略具有更好的竞争性能。

带交易费用的在线投资组合策略

由于股票交易中实际存在的交易费用是影响投资决策的一个重要因素,考虑带交易费用的在线投资组合策略。大幅度调整股票头寸会产生较高的交易费用,将上一期策略与所有历史数据对应的最优定常再调整策略进行加权平均,设计了一个在线投资组合策略。考虑到股票市场往往波动剧烈,过去较长时间的历史数据对当前的投资决策影响不大,仅利用近期固定时间长度的历史数据构造策略,设计了一个适应性的在线投资组合策略。在考虑交易费用的情况下对策略进行实证分析,结果表明策略仍然具有较好的性能。

基于L1-中位数边信息的在线投资组合策略

在实际投资过程中,投资者往往根据各种信息动态地调整资产头寸。本文利用L-中位数预测股票市场的涨跌趋势,将其作为反映市场情况的边信息引入到基于线性学习函数的在线投资组合策略中,构造基于L-中位数边信息的在线投资组合策略。采用上海证券交易所股票构造股票组合,从数值算例中证明策略在真实股票市场的表现,结果表明该策略具有较好的收益。

基于次梯度投影的泛投资组合选择策略

在线投资组合选择(online portfolio selection)问题是当前量化投资领域一个重要的研究问题.近些年来,可投资标的的爆炸式增长急需能够有效计算的投资组合选择策略,而现有高绩效算法大多具有指数级或多项式级的时间复杂度,不利于在实际中应用.由此,本文提出了一种基于次梯度投影的泛投资组合选择策略SGP.将次梯度投影的思想应用到资产组合构建的过程中,得到策略的再平衡规则.理论上,本文分析了次梯度投影算法的竞争性能,证明了该策略是一个泛投资组合选择策略;并发现该算法具有线性时间复杂度.实证上,验证了SGP策略在美国与中国市场的表现.结果表明,SGP策略能够实现和最新的泛投资组合选择策略相当的收益率,而算法运行时间短于现有策略.参数敏感性分析表明SGP策略对参数选择不敏感;交易成本敏感性分析表明SGP策略能够承受合理的交易成本.

基于多Agent系统的组合投资模型

针对多阶段组合投资问题,提出了一个基于多Agent系统的自调节及协同工作的组合投资策略模型。该模型系统中的各个Agent通过通讯共享知识,在求解问题的搜索空间中进行协同搜索,在更短的搜索步长内得到问题的解,极大地提高了系统性能。该模型具有不基于任何股票模型、时间复杂度低以及逼近最优投资策略速度较快等优点,实验证明具有一定的实际意义。

基于多Agent系统的自调节及协同工作的组合投资模型

Agent技术特别是多Agent系统(MAS,Multi-Agent System)为解决人工智能等领域复杂问题提供了一个新途径,多Agent系统重点研究如何协调系统中的各个Agent的行为使其协同工作。针对多阶段组合投资问题,提出了一个基于多Agent系统的自调节及协同工作的组合投资策略模型。该模型系统中的各个Agent通过通讯共享知识,在求解问题的搜索空间中进行协同搜索,在更短的搜索步长内得到问题的解,极大地提高了系统性能。该模型具有不基于任何股票模型、时间复杂度低以及逼近最优投资策略速度较快等优点,实验证明具有一定的实际意义。

带有动量效应的在线动态移动平均反转策略

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。

基于递推最小二乘预测的被动进攻在线投资组合算法分析

在被动进攻算法(passive aggressive mean reversion, PAMR)的基础上引入了递推最小二乘,使用其预测值代替原先的相对价格,同时实证分析了国内外5个股票数据集.结果证明,递推最小二乘被动进攻算法均取得了更好的累计收益,证实了其更加优异的收益能力.

基于LSTM预测信息的在线融资融券组合交易策略

随着国内融资融券市场日渐成熟和金融科技不断进步,构建智能化的融资融券交易策略成为量化金融领域的重要话题和关键挑战.该文利用长短期记忆网络(LSTM)预测信息构建专家策略,提出了集成专家意见的在线融资融券组合交易策略.首先,使用多个技术指标作为输入变量,通过LSTM神经网络模型预测股价的涨跌趋势.其次,考虑投资于单支股票的专家,根据LSTM模型的预测结果构建各专家的买卖策略.然后,提出了一种基于专家表现的权重优化模型,通过求解模型确定每个专家的权重.最后,为说明所构建策略的有效性,利用股票市场历史交易数据进行实证分析.结果表明所构建的策略能够获得高于基准策略的绩效表现,并在考虑交易费用的情况下仍能保持优越性.

基于文本信息考虑投资者情绪的均值回归策略设计——以东方财富股吧发帖文本和A股市场为例

在当前互联网时代下,越来越多的文本信息为人们所认识。借助机器学习等技术工具,目前已能较为便捷地从海量的文本数据中挖掘出与投资者行为、情绪有关的信息。基于此,本研究探讨了利用文本信息刻画投资者情绪,并对仅利用价格信息的均值回归策略进行改进。利用东方财富股吧中发帖内容等文本数据构建投资者情绪指标,结合非理性投资行为的特征,设计新的权重转移方程,得到新的均值回归策略。最后,利用部分沪深300成分股的价格数据和股吧文本数据进行实证检验,结果表明:相比于仅利用价格信息刻画均值回归特征的策略,本研究提出的考虑投资者情绪的策略有更好的收益表现。

带交易费用的集成专家意见在线投资组合策略

在多期投资组合选择过程中，频繁调整投资比例将会产生一系列的交易费用，是影响投资决策的一个重要因素．在线投资组合属于多期投资组合；投资比例需要按照投资期数逐步调整，而不是一次性确定的．本文将交易费用引入到在线投资组合模型中，应用集成有限个专家意见的弱集成算法设计在线投资组合策略．首先探讨了专家意见为在每阶段都固定地投资于单只股票的情形，得到了考虑交易费用的单一集成策略，证明了与最优专家意见相比，他们的累积收益平均值之间的差值存在渐进形式的下界．其次，讨论了专家意见为在每阶段都固定地投资于多只股票的情形，得到了带交易费用的混合集成策略，并给出了该策略的竞争性能分析．基于纽约证券交易所的股票数据，数值算例进一步说明了本文给出的带交易费用的单一集成策略和混合集成策略几乎与最优专家意见的性能一样好，并分析了交易费用对策略性能的影响．