论文部分内容阅读
针对现有反转类策略未充分考虑时间序列非平稳性和单一模型预测的低效性问题，本文提出了两种新的多周期投资组合选择策略，即“在线自回归移动平均反转”(OLAR)策略和“在线组合预测反转”(CFR)策略。对于OLAR策略，本文首先对ARIMA模型进行简化，然后在在线学习的框架下设计了闭式地参数更新，最后利用在线被动攻击算法来调整投资策略。对于CFR策略，本文根据相同的在线设置，分别设计了基于一阶在线学习和二阶在线学习的FOCFR和SOCFR算法，同样地利用在线被动攻击算法来调整投资策略。更重要的是，本文给出了两种CFR算法的后悔上界，次线性的后悔边界表明算法具备良好的泛化性能。最后，通过广泛的实验评估了所提策略在真实市场的表现。实验结果表明:OLAR和CFR可以有效地克服现有策略的缺陷并获得一致地最佳表现。