論文の概要: TPLVM: Portfolio Construction by Student's $t$-process Latent Variable
Model
- arxiv url: http://arxiv.org/abs/2002.06243v1
- Date: Wed, 29 Jan 2020 02:02:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-05 21:12:28.403773
- Title: TPLVM: Portfolio Construction by Student's $t$-process Latent Variable
Model
- Title(参考訳): tplvm: 学生の$t$-process 潜在変数モデルによるポートフォリオ構築
- Authors: Yusuke Uchiyama, Kei Nakagawa
- Abstract要約: 我々は,低次元の潜伏変数による財務時系列の非ガウス的変動を記述するために,学生のTPLVM($t$-process latent variable model)を提案する。
これらのポートフォリオを比較することで、提案されたポートフォリオが既存のガウスプロセス潜在変数モデルよりも優れていることを確認した。
- 参考スコア(独自算出の注目度): 3.5408022972081694
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Optimal asset allocation is a key topic in modern finance theory. To realize
the optimal asset allocation on investor's risk aversion, various portfolio
construction methods have been proposed. Recently, the applications of machine
learning are rapidly growing in the area of finance. In this article, we
propose the Student's $t$-process latent variable model (TPLVM) to describe
non-Gaussian fluctuations of financial timeseries by lower dimensional latent
variables. Subsequently, we apply the TPLVM to minimum-variance portfolio as an
alternative of existing nonlinear factor models. To test the performance of the
proposed portfolio, we construct minimum-variance portfolios of global stock
market indices based on the TPLVM or Gaussian process latent variable model. By
comparing these portfolios, we confirm the proposed portfolio outperforms that
of the existing Gaussian process latent variable model.
- Abstract(参考訳): 最適資産配分は、現代金融理論において重要なトピックである。
投資家のリスク回避に最適な資産配分を実現するために,様々なポートフォリオ構築手法が提案されている。
近年,金融分野において機械学習の応用が急速に増加している。
本稿では,低次元の潜在変数を用いて金融時系列の非ゲージ変動を記述するために,学生の$t$-process latent variable model (tplvm)を提案する。
その後,既存の非線形因子モデルに代わる最小分散ポートフォリオにtplvmを適用する。
提案ポートフォリオの性能をテストするために,tplvmあるいはgaussian process latent variableモデルに基づいて,グローバル株式市場指数の最小分散ポートフォリオを構築する。
これらのポートフォリオを比較することで、提案ポートフォリオが既存のガウスプロセス潜在変数モデルよりも優れていることを確認した。
関連論文リスト
- BreakGPT: Leveraging Large Language Models for Predicting Asset Price Surges [55.2480439325792]
本稿では,時系列予測や資産価格の急上昇の予測に特化して,新たな大規模言語モデル(LLM)アーキテクチャであるBreakGPTを紹介する。
我々は、最小限のトレーニングで財務予測を行うための有望なソリューションとしてBreakGPTを紹介し、局所的およびグローバルな時間的依存関係をキャプチャする強力な競合相手として紹介する。
論文 参考訳(メタデータ) (2024-11-09T05:40:32Z) - Conformal Predictive Portfolio Selection [10.470114319701576]
CPPS(Conformal Predictive Portfolio Selection)と呼ばれる共形推論を用いた予測ポートフォリオ選択のためのフレームワークを提案する。
提案手法は,将来のポートフォリオのリターンを予測し,対応する予測間隔を計算し,これらの間隔に基づいて望ましいポートフォリオを選択する。
本稿では,ARモデルを用いたCPPSフレームワークの有効性を実証し,実証実験による性能評価を行った。
論文 参考訳(メタデータ) (2024-10-19T15:42:49Z) - VinePPO: Unlocking RL Potential For LLM Reasoning Through Refined Credit Assignment [66.80143024475635]
VinePPOは不偏のモンテカルロ推定を計算するための簡単な手法である。
我々は、VinePPOが、MATHおよびGSM8Kデータセット間でPPOや他のRLフリーベースラインを一貫して上回ることを示す。
論文 参考訳(メタデータ) (2024-10-02T15:49:30Z) - AAPM: Large Language Model Agent-based Asset Pricing Models [4.326886488307076]
本稿では, LLMエージェントからの質的意思決定的投資分析と, 定量的な手動経済要因を融合した新たな資産価格手法を提案する。
実験結果から,本手法はポートフォリオ最適化および資産価格誤差において,機械学習に基づく資産価格ベースラインよりも優れていることが示された。
論文 参考訳(メタデータ) (2024-09-25T18:27:35Z) - Hedge Fund Portfolio Construction Using PolyModel Theory and iTransformer [1.4061979259370274]
ヘッジファンドポートフォリオ構築のためのPolyModel理論を実装した。
我々は,長期アルファ,長期比,SVaRなどの定量的尺度を作成する。
また、最新のディープラーニング技術(iTransformer)を使って、上昇傾向を捉えています。
論文 参考訳(メタデータ) (2024-08-06T17:55:58Z) - Graph-Structured Speculative Decoding [52.94367724136063]
投機的復号化は、大規模言語モデルの推論を加速する有望な手法として登場した。
本稿では, 有向非巡回グラフ(DAG)を応用して, 起案された仮説を管理する革新的な手法を提案する。
我々は1.73$times$から1.96$times$に顕著なスピードアップを観察し、標準投機的復号法を大幅に上回った。
論文 参考訳(メタデータ) (2024-07-23T06:21:24Z) - Deep Reinforcement Learning and Mean-Variance Strategies for Responsible Portfolio Optimization [49.396692286192206]
本研究では,ESG状態と目的を取り入れたポートフォリオ最適化のための深層強化学習について検討する。
以上の結果から,ポートフォリオアロケーションに対する平均分散アプローチに対して,深層強化学習政策が競争力を発揮する可能性が示唆された。
論文 参考訳(メタデータ) (2024-03-25T12:04:03Z) - Diffusion Variational Autoencoder for Tackling Stochasticity in
Multi-Step Regression Stock Price Prediction [54.21695754082441]
長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。
多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。
深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。
本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
論文 参考訳(メタデータ) (2023-08-18T16:21:15Z) - Sparse Index Tracking: Simultaneous Asset Selection and Capital Allocation via $\ell_0$-Constrained Portfolio [7.5684339230894135]
スパースポートフォリオは、取引コストの削減と不正資産の回避の観点から、完全なポートフォリオよりも好ましい。
本稿では,$ell_p$-norm制約を用いたスパースインデックストラッキングの新しい問題式を提案する。
当社のアプローチでは、ポートフォリオとターンオーバースペースの制約を選択でき、再バランス間隔毎にアセット更新を制限することで、トランザクションコストをさらに削減します。
論文 参考訳(メタデータ) (2023-07-22T04:47:30Z) - Model-Augmented Q-learning [112.86795579978802]
モデルベースRLの構成要素を付加したMFRLフレームワークを提案する。
具体的には、$Q$-valuesだけでなく、共有ネットワークにおける遷移と報酬の両方を見積もる。
提案手法は,MQL (Model-augmented $Q$-learning) とよばれる提案手法により,真に報いられた学習によって得られる解と同一のポリシ不変解が得られることを示す。
論文 参考訳(メタデータ) (2021-02-07T17:56:50Z) - Deep Learning for Portfolio Optimization [5.833272638548154]
個々の資産を選択する代わりに、ポートフォリオを形成するために市場指標のETF(Exchange-Traded Funds)を交換します。
我々は,本手法を広範囲のアルゴリズムと比較し,本モデルがテスト期間中に最高の性能を得ることを示す。
論文 参考訳(メタデータ) (2020-05-27T21:28:43Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。