Fugu-MT 論文翻訳(概要): The Low-volatility Anomaly and the Adaptive Multi-Factor Model

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

KAN based Autoencoders for Factor Models [13.512750745176664]
Kolmogorov-Arnold Networks (KANs) の最近の進歩に触発されて、潜在因子条件付き資産価格モデルに新しいアプローチを導入する。提案手法では,精度と解釈性の両方でモデルを超えるkanベースのオートエンコーダを提案する。提案モデルは,資産特性の非線形機能として露出を近似する際の柔軟性を向上するとともに,潜在要因を解釈するための直感的なフレームワークをユーザに提供する。
論文参考訳（メタデータ） (2024-08-04T02:02:09Z)
Cycles of Thought: Measuring LLM Confidence through Stable Explanations [53.15438489398938]
大規模言語モデル(LLM)は、様々なベンチマークで人間レベルの精度に到達し、さらに超えることができるが、不正確な応答における過度な自信は、依然として十分に文書化された障害モードである。本稿では,LLMの不確実性を測定するためのフレームワークを提案する。
論文参考訳（メタデータ） (2024-06-05T16:35:30Z)
Application of Deep Learning for Factor Timing in Asset Management [21.212548040046133]
より柔軟なモデルは、目に見えない期間の係数プレミアムのばらつきを説明するのにより良いパフォーマンスを持つ。ニューラルネットワークのような柔軟なモデルでは、予測に基づく最適な重み付けは不安定である傾向がある。我々は、過去の最適再バランス方式によるリバランス頻度の傾きが、取引コストの削減に役立つことを検証した。
論文参考訳（メタデータ） (2024-04-27T21:57:17Z)
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)
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)
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。