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
- Model Composition for Multimodal Large Language Models [73.70317850267149]
本稿では,既存のMLLMのモデル構成による新しいパラダイムを提案する。
我々の基本的な実装であるNaiveMCは、モダリティエンコーダを再利用し、LLMパラメータをマージすることで、このパラダイムの有効性を実証する。
論文 参考訳(メタデータ) (2024-02-20T06:38:10Z) - Planning for the Efficient Updating of Mutual Fund Portfolios [0.0]
本稿では,更新実行計画を作成する線形プログラミングと探索手法を提案する。
提案手法の評価では, 比較した戦略よりもコスト改善が見られた。
モデルは、全体的ポートフォリオ管理が必要な他の現実的なシナリオに容易に拡張することができます。
論文 参考訳(メタデータ) (2023-11-27T13:09:56Z) - Delta-AI: Local objectives for amortized inference in sparse graphical models [64.5938437823851]
スパース確率的グラフィカルモデル(PGM)における補正推論のための新しいアルゴリズムを提案する。
提案手法は, PGMにおける変数のサンプリングをエージェントが行う一連の行動とみなす場合, エージェントのポリシー学習目的において, PGMの疎結合が局所的な信用割当を可能にするという観察に基づいている。
合成PGMからサンプリングし、スパース因子構造を持つ潜在変数モデルを訓練するための$Delta$-AIの有効性について説明する。
論文 参考訳(メタデータ) (2023-10-03T20:37:03Z) - 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 [8.941102077614788]
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望ましい。
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。
私たちの定式化によって、ポートフォリオのスパーシリティとターンオーバーのスパーシリティの制約を選択できます。
論文 参考訳(メタデータ) (2023-07-22T04:47:30Z) - Latent Variable Representation for Reinforcement Learning [131.03944557979725]
モデルに基づく強化学習のサンプル効率を改善するために、潜在変数モデルが学習、計画、探索をいかに促進するかは理論上、実証上、不明である。
状態-作用値関数に対する潜在変数モデルの表現ビューを提供する。これは、抽出可能な変分学習アルゴリズムと楽観主義/悲観主義の原理の効果的な実装の両方を可能にする。
特に,潜伏変数モデルのカーネル埋め込みを組み込んだUPB探索を用いた計算効率の良い計画アルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-12-17T00:26:31Z) - 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) - Portfolio Optimization with 2D Relative-Attentional Gated Transformer [9.541129630971689]
DPGRGT(Relative-attentional Gated Transformer)モデルを用いた新しい決定論的政策グラデーションを提案する。
学習可能な相対的な位置埋め込みを時間と資産の軸に適用することにより、モデルは財務データの特異な構造をよりよく理解する。
20年間の米国株式市場データを用いた実験では,モデルがベースラインモデルを上回り,その効果を実証した。
論文 参考訳(メタデータ) (2020-12-27T14:08:26Z) - Deep Reinforcement Learning for Stock Portfolio Optimization [0.0]
私たちは、タスクに強化学習を適切に適用できるように問題を定式化します。
市場に関する現実的な仮定を維持するためには、取引コストとリスクファクターを州にも組み込む予定です。
ストックサブセット選択のための最小分散ポートフォリオと多周波データパターン抽出のためのウェーブレット変換を用いたタスクのエンドツーエンドソリューションを提案する。
論文 参考訳(メタデータ) (2020-12-09T10:19:12Z) - 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) - Gaussian process imputation of multiple financial series [71.08576457371433]
金融指標、株価、為替レートなどの複数の時系列は、市場が潜んでいる状態に依存しているため、強く結びついている。
金融時系列間の関係を多出力ガウスプロセスでモデル化することで学習することに注力する。
論文 参考訳(メタデータ) (2020-02-11T19:18:18Z)
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。