論文の概要: The Low-volatility Anomaly and the Adaptive Multi-Factor Model
- arxiv url: http://arxiv.org/abs/2003.08302v2
- Date: Sun, 25 Apr 2021 22:56:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-23 03:49:54.106909
- Title: The Low-volatility Anomaly and the Adaptive Multi-Factor Model
- Title(参考訳): 低ボラティリティ異常と適応型多要素モデル
- Authors: Robert A. Jarrow, Rinald Murataj, Martin T. Wells, Liao Zhu
- Abstract要約: 本稿は,低ボラティリティ異常の新しい説明を提供する。
我々は,GIBSアルゴリズムによって推定される適応多要素モデルを用いて,低ボラティリティポートフォリオと高ボラティリティポートフォリオに大きく関係する基底資産を求める。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The paper provides a new explanation of the low-volatility anomaly. We use
the Adaptive Multi-Factor (AMF) model estimated by the Groupwise Interpretable
Basis Selection (GIBS) algorithm to find those basis assets significantly
related to low and high volatility portfolios. These two portfolios load on
very different factors, indicating that volatility is not an independent risk,
but that it's related to existing risk factors. The out-performance of the
low-volatility portfolio is due to the (equilibrium) performance of these
loaded risk factors. The AMF model outperforms the Fama-French 5-factor model
both in-sample and out-of-sample.
- Abstract(参考訳): 本稿は,低ボラティリティ異常の新しい説明を提供する。
グループワイズ解釈可能基底選択(gibs)アルゴリズムにより推定された適応多要素モデルを用いて,低ボラティリティポートフォリオと高ボラティリティポートフォリオに有意な関連性を持つ基底資産を求める。
これら2つのポートフォリオは非常に異なる要因に負荷をかけており、ボラティリティは独立したリスクではなく、既存のリスク要因と関連していることを示している。
低ボラティリティポートフォリオのアウトパフォーマンスは、これらの負荷されたリスク要因の(均衡的な)パフォーマンスに起因する。
AMFモデルは、Fama-French 5-factorモデルよりも優れている。
関連論文リスト
- The Risk of Federated Learning to Skew Fine-Tuning Features and
Underperform Out-of-Distribution Robustness [50.52507648690234]
フェデレートされた学習は、微調整された特徴をスキイングし、モデルの堅牢性を損なうリスクがある。
3つのロバスト性指標を導入し、多様なロバストデータセットで実験を行う。
提案手法は,パラメータ効率のよい微調整手法を含む多種多様なシナリオにまたがるロバスト性を著しく向上させる。
論文 参考訳(メタデータ) (2024-01-25T09:18:51Z) - Modeling the Q-Diversity in a Min-max Play Game for Robust Optimization [61.39201891894024]
群分布的ロバスト最適化(群 DRO)は、事前定義された群に対する最悪の損失を最小限にすることができる。
グループDROフレームワークをQ-Diversityを提案して再構築する。
インタラクティブなトレーニングモードによって特徴付けられるQ-Diversityは、アノテーションからグループ識別を緩和し、直接パラメータ化を行う。
論文 参考訳(メタデータ) (2023-05-20T07:02:27Z) - Chasing Fairness Under Distribution Shift: A Model Weight Perturbation
Approach [72.19525160912943]
まず,分布シフト,データ摂動,モデルウェイト摂動の関連性を理論的に検証した。
次に、ターゲットデータセットの公平性を保証するのに十分な条件を分析します。
これらの十分な条件により、ロバストフェアネス正則化(RFR)を提案する。
論文 参考訳(メタデータ) (2023-03-06T17:19:23Z) - Fairness Increases Adversarial Vulnerability [50.90773979394264]
フェアネスとロバストネスの間に二分法が存在することを示し、フェアネスを達成するとモデルロバストネスを減少させる。
非線形モデルと異なるアーキテクチャの実験は、複数の視覚領域における理論的発見を検証する。
フェアネスとロバストネスの良好なトレードオフを達成するためのモデルを構築するための,シンプルで効果的なソリューションを提案する。
論文 参考訳(メタデータ) (2022-11-21T19:55:35Z) - Factor Investing with a Deep Multi-Factor Model [123.52358449455231]
我々は、業界中立化と市場中立化モジュールを明確な財務見識をもって取り入れた、新しい深層多要素モデルを開発する。
実世界の株式市場データによるテストは、我々の深層多要素モデルの有効性を示している。
論文 参考訳(メタデータ) (2022-10-22T14:47:11Z) - Off-Policy Risk Assessment in Markov Decision Processes [15.225153671736201]
我々はマルコフ決定過程(MDPs)におけるリターンのCDFのための最初の2倍ロバスト(DR)推定器を開発する。
この推定器は、分散を著しく少なくし、モデルが十分に特定されたとき、クレーマー・ラオ分散の低い境界を達成する。
オフポリチックCDFとリスク推定のための最初のミニマックス下限を導出する。
論文 参考訳(メタデータ) (2022-09-21T15:40:59Z) - Relational Reasoning via Set Transformers: Provable Efficiency and
Applications to MARL [154.13105285663656]
置換不変エージェントフレームワークを用いたMARL(Multi-A gent R einforcement Learning)は,実世界のアプリケーションにおいて大きな実証的成功を収めた。
残念なことに、このMARL問題の理論的理解は、多くのエージェントの呪いと、既存の著作における関係推論の限定的な探索によって欠落している。
モデルフリーアルゴリズムとモデルベースアルゴリズムの最適度差は各エージェント数に独立して対数的であり、多くのエージェントの呪いを和らげる。
論文 参考訳(メタデータ) (2022-09-20T16:42:59Z) - Deep Partial Least Squares for Empirical Asset Pricing [0.4511923587827302]
我々は、deep partial least squares (DPLS) を用いて、個々の株式リターンに対する資産価格モデルの推定を行う。
新たな貢献は、非線形因子構造を解決し、経験的資産価格におけるディープラーニングの現在のパラダイムを前進させることである。
論文 参考訳(メタデータ) (2022-06-20T21:30:39Z) - Risk budget portfolios with convex Non-negative Matrix Factorization [0.0]
凸非負行列因子化(NMF)を用いたリスクファクタの予算化に基づくポートフォリオ割当手法を提案する。
我々は、暗号通貨と伝統的資産の2つの長期的グローバルポートフォリオを対象とするボラティリティの文脈で、我々の手法を評価する。
論文 参考訳(メタデータ) (2022-04-06T12:02:15Z) - Deep Stochastic Volatility Model [3.3970049571884204]
本論文では, 深部潜在変数モデルの枠組みに基づく深部ボラティリティモデル(DSVM)を提案する。
フレキシブルなディープラーニングモデルを使用して、過去のリターンに対する将来のボラティリティの依存性を自動的に検出する。
実データ分析では、DSVMはいくつかの一般的な代替ボラティリティモデルよりも優れています。
論文 参考訳(メタデータ) (2021-02-25T03:25:33Z) - Time-Invariance Coefficients Tests with the Adaptive Multi-Factor Model [0.0]
適応多要素モデル(AMF)とFama-French 5-factorモデル(FF5)を比較した。
6年以内のほぼ全ての期間において,ベータ係数はAMFモデルに時間不変であることを示す。
これは、ローリングウィンドウ(例えば5年)を持つAMFモデルは、FF5モデルよりも実現されたアセットリターンとより整合していることを意味する。
論文 参考訳(メタデータ) (2020-11-09T03:41:02Z)
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。