論文の概要: A Framework for Online Investment Algorithms

• arxiv url: http://arxiv.org/abs/2003.13360v1
• Date: Mon, 30 Mar 2020 11:41:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-18 08:21:02.808110
• Title: A Framework for Online Investment Algorithms
• Title（参考訳）: オンライン投資アルゴリズムのためのフレームワーク
• Authors: Andrew Paskaramoorthy (1), Terence van Zyl (1), Tim Gebbie (2)
• Abstract要約: 我々は,アルゴリズムポートフォリオ管理のための統合的かつオンラインなフレームワークについて,その結果を提示し報告する。 この記事では、プロセスレベルの学習フレームワークにインターンで組み込むことができるワークフローを提供します。 以上の結果から,我々のフレームワークと再サンプリング手法を併用して,市場資本化ベンチマークを上回り得ることが確認された。
• 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 artificial segmentation of an investment management process into a workflow with silos of offline human operators can restrict silos from collectively and adaptively pursuing a unified optimal investment goal. To meet the investor's objectives, an online algorithm can provide an explicit incremental approach that makes sequential updates as data arrives at the process level. This is in stark contrast to offline (or batch) processes that are focused on making component level decisions prior to process level integration. Here we present and report results for an integrated, and online framework for algorithmic portfolio management. This article provides a workflow that can in-turn be embedded into a process level learning framework. The workflow can be enhanced to refine signal generation and asset-class evolution and definitions. Our results confirm that we can use our framework in conjunction with resampling methods to outperform naive market capitalisation benchmarks while making clear the extent of back-test over-fitting. We consider such an online update framework to be a crucial step towards developing intelligent portfolio selection algorithms that integrate financial theory, investor views, and data analysis with process-level learning.
• Abstract（参考訳）: オフラインの人間オペレータのサイロを持つワークフローへの投資管理プロセスの人工的なセグメンテーションは、サイロをまとめて適応的に統一された最適な投資目標を追求することを制限することができる。 投資家の目的を満たすために、オンラインアルゴリズムは明示的なインクリメンタルなアプローチを提供し、データがプロセスレベルに到達するとシーケンシャルな更新を行うことができる。 これは、プロセスレベルの統合の前にコンポーネントレベルの決定を行うことに集中するオフライン(またはバッチ)プロセスとは全く対照的です。 ここでは,アルゴリズムポートフォリオ管理のための統合的かつオンラインなフレームワークについて報告する。 この記事では、プロセスレベルの学習フレームワークにインターンで組み込むことができるワークフローを提供します。 ワークフローは、信号生成とアセットクラスの進化と定義を洗練するように拡張できる。 以上の結果から,バックテストオーバーフィットの度合いを明確化しつつ,再サンプリング手法と組み合わせて市場資本化ベンチマークを上回り得ることが確認できた。 このようなオンライン更新フレームワークは、金融理論、投資家視点、およびデータ分析とプロセスレベルの学習を統合するインテリジェントなポートフォリオ選択アルゴリズムを開発するための重要なステップであると考えています。

関連論文リスト

• Benchmarking Agentic Workflow Generation [80.74757493266057]
  複数面シナリオと複雑なグラフワークフロー構造を備えた統合ワークフロー生成ベンチマークであるWorFBenchを紹介する。 また,サブシーケンスとサブグラフマッチングアルゴリズムを利用したシステム評価プロトコルWorFEvalを提案する。 我々は、生成されたタスクが下流のタスクを強化し、推論中により少ない時間で優れたパフォーマンスを達成することができることを観察する。
  論文  参考訳（メタデータ） (2024-10-10T12:41:19Z)
• WISE: Unraveling Business Process Metrics with Domain Knowledge [0.0]
  複雑な産業プロセスの異常は、しばしばイベントデータの高変動性と複雑さによって隠蔽される。 本稿では、ドメイン知識、プロセスマイニング、機械学習の統合により、ビジネスプロセスメトリクスを分析する新しい手法WISEを紹介する。 WISEはビジネスプロセス分析における自動化を強化し、望ましいプロセスフローからの逸脱を効果的に検出する。
  論文  参考訳（メタデータ） (2024-10-06T07:57:08Z)
• Intelligent Cross-Organizational Process Mining: A Survey and New Perspectives [40.62773366902451]
  本稿では,プロセスマイニングの分野に関する具体的な見解を提唱する。 まず、プロセスマイニングの枠組み、一般的な産業応用、そして人工知能と組み合わされた最新の進歩について要約する。 この視点は、複雑な多組織データ分析のための洗練されたソリューションを提供するために人工知能を活用することによって、プロセスマイニングに革命をもたらすことを目的としている。
  論文  参考訳（メタデータ） (2024-07-15T23:30:34Z)
• Onflow: an online portfolio allocation algorithm [0.0]
  ポートフォリオ割り当てポリシーのオンライン最適化を可能にする強化学習手法であるOnflowを紹介する。 ログ正規資産の場合、トランザクションコストがゼロのOnflowが学んだ戦略は、Markowitzの最適ポートフォリオを模倣している。 オンフローは、他の動的アロケーション技術がもはや機能しないレギュレーションにおいて、効率的であり続けることができる。
  論文  参考訳（メタデータ） (2023-12-08T16:49:19Z)
• Self Optimisation and Automatic Code Generation by Evolutionary Algorithms in PLC based Controlling Processes [0.0]
  複雑なプロセスのシステム論理を自己最適化するために,進化的アルゴリズムに基づく新しいアプローチを提案する。 提案手法は,多目的問題を考慮した産業用液体ステーションプロセスで評価する。
  論文  参考訳（メタデータ） (2023-04-12T06:36:54Z)
• Algorithm Design for Online Meta-Learning with Task Boundary Detection [63.284263611646]
  非定常環境におけるタスクに依存しないオンラインメタ学習のための新しいアルゴリズムを提案する。 まず,タスクスイッチと分散シフトの簡易かつ効果的な2つの検出機構を提案する。 軽度条件下では,線形タスク平均的後悔がアルゴリズムに対して達成可能であることを示す。
  論文  参考訳（メタデータ） (2023-02-02T04:02:49Z)
• A Modular Framework for Reinforcement Learning Optimal Execution [68.8204255655161]
  我々は、最適貿易実行問題への強化学習の適用のためのモジュラーフレームワークを開発する。 このフレームワークは、異なるシミュレーション設定の実装を容易にするために、柔軟性を念頭に設計されている。
  論文  参考訳（メタデータ） (2022-08-11T09:40:42Z)
• Byzantine-Robust Online and Offline Distributed Reinforcement Learning [60.970950468309056]
  本稿では,複数のエージェントが環境を探索し,その経験を中央サーバを通じて伝達する分散強化学習環境について考察する。 エージェントの$alpha$-fractionは敵対的であり、任意の偽情報を報告することができる。 我々は、これらの対立エージェントの存在下で、マルコフ決定プロセスの根底にある準最適政策を特定することを模索する。
  論文  参考訳（メタデータ） (2022-06-01T00:44:53Z)
• Nemo: Guiding and Contextualizing Weak Supervision for Interactive Data Programming [77.38174112525168]
  私たちは、WS 学習パイプラインの全体的な生産性を、一般的な WS 監督アプローチと比較して平均20%(最大 47% のタスク)改善する、エンドツーエンドのインタラクティブなスーパービジョンシステムである Nemo を紹介します。
  論文  参考訳（メタデータ） (2022-03-02T19:57:32Z)
• Modeling and Optimization Trade-off in Meta-learning [23.381986209234164]
  メタラーニングにおいて、正確なモデリングと容易さのトレードオフを導入し、厳密に定義する。 我々はMAMLを代表的メタラーニングアルゴリズムとして、一般的な非リスク関数と線形回帰のトレードオフを理論的に特徴づける。 また,メタ強化学習ベンチマークのトレードオフを実証的に解決する。
  論文  参考訳（メタデータ） (2020-10-24T15:32:08Z)
• AI-based Modeling and Data-driven Evaluation for Smart Manufacturing Processes [56.65379135797867]
  本稿では,半導体製造プロセスに関する有用な知見を得るための動的アルゴリズムを提案する。 本稿では,遺伝的アルゴリズムとニューラルネットワークを利用して,知的特徴選択アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-08-29T14:57:53Z)

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。