基于在线算法的改进指数梯度投资组合策略

弱集成算法是对专家意见进行动态加权平均的在线学习算法.近年来,机器学习和人工智能等方法被用来研究在线投资组合问题.该文从弱集成算法的在线学习及其序列决策性角度出发,设计改进的指数梯度在线投资组合策略,以弥补指数梯度在线投资组合策略不能结合交易费用进行分析的缺陷.首先根据指数梯度在线投资组合策略的更新方法构建代表投资策略的专家意见池,并以此为基础应用弱集成算法加权集成专家意见得到改进的指数梯度在线投资组合策略,证明了该策略可与最优专家策略(基准策略)相媲美.其次将交易费用引入到改进的指数梯度在线投资组合策略中,进一步给出对应的投资策略,重要的是理论上证明了该策略实现的平均累积收益与最优专家策略实现的平均累积收益之间的差值存在渐进式下界,从而提高了指数梯度在线投资组合策略的实用性.最后利用国内外股票市场的历史数据进行实证分析,说明了改进的指数梯度在线投资组合策略的可行性和有效性.