针对现有均值反转类策略未充分考虑噪声数据、单周期假设和数据的非平稳性等问题，提出了一种基于多周期的高效的在线自回归移动平均反转（OLAR）算法。首先，利用自回归移动平均算法得到了股价预测模型，并经过合理的假设将其转化为自回归模型；然后，结合损失函数和正则项构造出了目标函数，并利用损失函数的二阶信息得到了参数的闭式解；接着，利用在线被动攻击（PA）算法得到了投资组合的闭式更新。理论分析和实验仿真结果表明，与鲁棒中位数反转（RMR）相比，OLAR在NYSE（O）、NYSE（N）、道琼斯工业指数（DJIA）和MSCI数据集上的累积收益分别提高了455.6%，221.5%，11.2%和50.3%；同时，统计检验结果表明，OLAR的表现并不是由随机因素造成的。此外，与RMR和在线滑动平均反转（OLMAR）等算法相比，OLAR获得了最大的年化收益率、夏普比率和Calmar比率；最后，OLAR的运行时间与RMR和OLMAR基本相同，因此也适合大规模的实时应用。