Online portfolio selection, one of the major fundamental problems in finance, has been explored quite extensively in recent years by machine learning and artificial intelligence communities. Recent state- of-the-art methods have focused on Mean Reversion significantly and have demonstrated outstanding performance. Another version of the same phenomenon, Median Reversion has also performed well and demonstrated its ability to be robust against noises and outliers. Another important characteristic is Momentum. In this paper, Bayesian ensembling approach to exploit both Mean Reversion and Median Reversion simultaneously based on momentum associated with each one, has been proposed for on-line portfolio selection task. The proposed method demonstrates its effectiveness by outperforming current state-of-the-art algorithms on several datasets.
금융에 있어서 가장 중요한 문제 중 하나는 온라인 포트폴리오 선택에 관한 것이다. 온라인 포트폴리오 선택에 관한 연구는 학계에서 최근 들어 기계학습 및 인공지능 영역에서 상당히 활발히 연구가 되어 왔다. 이에 관한 가장 최근의 방법론들중의 하나는 평균값 복귀에 초점을 맞추었고 실험 결과에서 뛰어난 성능을 보였다. 이와 비슷한 방식을 적용한 다른 방법론은 중간값 복귀를 사용하였는데 이 또한 좋은 성능을 보였으며 noise와 outlier가 포함되더라도 뛰어난 성능을 보임이 입증되었다. 이 분야에 있어서 고려해야 될 다른 중요한 성질은 momentum이다. 본 연구는 momentum에 기반하여 평균값 및 중간값 복귀를 동시에 활용한 온라인 포트폴리오 선택을 위한 베이지안 앙상블 방법론을 제안한다. 본 논문에서 제안하는 방법론은 여러 데이터셋을 이용하여 실험하였으며 현재 가장 최신의 알고리즘과 성능을 비교하였을 때 보다 나은 결과를 보임으로써 본 연구에서 제안하는 이 방법론의 효과성을 입증하였다.
