論文の概要: Machine Learning Fund Categorizations

• arxiv url: http://arxiv.org/abs/2006.00123v1
• Date: Fri, 29 May 2020 23:26:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-26 23:13:32.409679
• Title: Machine Learning Fund Categorizations
• Title（参考訳）: 機械学習ファンドの分類
• Authors: Dhagash Mehta, Dhruv Desai, Jithin Pradeep
• Abstract要約: 我々は、機械学習を用いて学習可能であり、ほとんど再現可能であることを、業界全体でよく認識された分類システムを確立する。 我々は,この人造システム学習における知的課題とその意義について論じる。
• 参考スコア（独自算出の注目度）: 2.7930955543692817
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Given the surge in popularity of mutual funds (including exchange-traded funds (ETFs)) as a diversified financial investment, a vast variety of mutual funds from various investment management firms and diversification strategies have become available in the market. Identifying similar mutual funds among such a wide landscape of mutual funds has become more important than ever because of many applications ranging from sales and marketing to portfolio replication, portfolio diversification and tax loss harvesting. The current best method is data-vendor provided categorization which usually relies on curation by human experts with the help of available data. In this work, we establish that an industry wide well-regarded categorization system is learnable using machine learning and largely reproducible, and in turn constructing a truly data-driven categorization. We discuss the intellectual challenges in learning this man-made system, our results and their implications.
• Abstract（参考訳）: 多様な金融投資としての相互資金(ETFを含む)の人気が高まり、様々な投資管理会社からの幅広い相互資金や多様化戦略が市場に出回っている。 営業やマーケティング、ポートフォリオの複製、ポートフォリオの多様化、税収の回収など、多くの応用があるため、このような幅広い相互資金の状況で同様の相互資金の特定がこれまで以上に重要になっている。 現在の最良の方法はデータベンダが提供する分類であり、通常は利用可能なデータの助けを借りて、人間の専門家によるキュレーションに依存する。 本研究は、機械学習を用いて、業界全体でよく認識された分類システムが学習可能であり、ほぼ再現可能であることを実証し、真のデータ駆動分類を構築する。 我々は,この人造システム学習における知的課題とその意義について論じる。

関連論文リスト

• 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)
• PIN: A Knowledge-Intensive Dataset for Paired and Interleaved Multimodal Documents [58.35492519636351]
  PINフォーマットは、知識の強度、スケーラビリティ、多様なトレーニングモダリティのサポートの3つの基本原則に基づいて構築されている。 PIN-14Mは中国語と英語の多種多様な情報源から得られた1400万のサンプルからなるオープンソースデータセットである。
  論文  参考訳（メタデータ） (2024-06-20T01:43:08Z)
• Which Matters Most in Making Fund Investment Decisions? A Multi-granularity Graph Disentangled Learning Framework [47.308959396996606]
  我々は,投資商品の知的マッチングを効果的に行うため,MGDLという新しいM言語グラニュラリティグラフ分散学習フレームワークを開発した。 特定のセマンティクスでより強い非絡み合い表現を実現するため、MGDLは2つの自己監督信号、すなわちファンドタイプのコントラストとファンドの人気を明示的に含んでいる。
  論文  参考訳（メタデータ） (2023-11-23T09:08:43Z)
• E2EAI: End-to-End Deep Learning Framework for Active Investing [123.52358449455231]
  本稿では, ファクタ選択, ファクタ組み合わせ, 株式選択, ポートフォリオ構築を通じて, ファクター投資のほぼ全過程をカバーするE2Eを提案する。 実際の株式市場データの実験は、アクティブ投資におけるエンドツーエンドのディープ・リーン・フレームワークの有効性を示している。
  論文  参考訳（メタデータ） (2023-05-25T10:27:07Z)
• Quantitative Trading using Deep Q Learning [0.0]
  強化学習(Reinforcement Learning、RL)は、ロボット工学、ゲームプレイ、自律システムなど、さまざまな用途で使用されている機械学習の分野である。 本稿では,量的取引におけるRLの利用について検討し,RLに基づく取引アルゴリズムのケーススタディを示す。
  論文  参考訳（メタデータ） (2023-04-03T11:57:36Z)
• 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)
• Asset Allocation: From Markowitz to Deep Reinforcement Learning [2.0305676256390934]
  資産配分とは、ポートフォリオの資産を常に再分配することでリスクと報酬のバランスをとることを目的とした投資戦略である。 我々は、多くの最適化手法の有効性と信頼性を決定するために、広範囲なベンチマーク研究を行う。
  論文  参考訳（メタデータ） (2022-07-14T14:44:04Z)
• A Data-Driven Framework for Identifying Investment Opportunities in Private Equity [0.0]
  本稿では、投資機会の自動スクリーニングのためのフレームワークを提案する。 このフレームワークは、企業の財務的および管理的立場を評価するために、複数のソースからデータを引き出す。 次に、説明可能な人工知能(XAI)エンジンを使用して投資勧告を提案する。
  論文  参考訳（メタデータ） (2022-04-04T21:28:34Z)
• Simultaneous Relevance and Diversity: A New Recommendation Inference Approach [81.44167398308979]
  本稿では,新しいCF推論手法である負対陽性を導入することにより,一般協調フィルタリング(CF)を拡張した新しい手法を提案する。 我々のアプローチは、様々な高度なレベルでの幅広い推奨シナリオ/ユースケースに適用できる。 公開データセットと実世界の生産データに関する分析と実験により、我々のアプローチは、関連性および多様性に関する既存の手法を同時に上回ることを示した。
  論文  参考訳（メタデータ） (2020-09-27T22:20:12Z)
• MAPS: Multi-agent Reinforcement Learning-based Portfolio Management System [23.657021288146158]
  マルチエージェント強化学習に基づくポートフォリオ管理システム(MAPS)を提案する。 MAPSは、各エージェントが独立した「投資者」であり、独自のポートフォリオを作成する協調システムである。 米国の12年間の市場データによる実験の結果、MAPSはシャープ比でベースラインの大半を上回っている。
  論文  参考訳（メタデータ） (2020-07-10T14:08:12Z)
• Reinforcement-Learning based Portfolio Management with Augmented Asset Movement Prediction States [71.54651874063865]
  ポートフォリオマネジメント(PM)は、最大利益や最小リスクといった投資目標を達成することを目的としている。 本稿では,PMのための新しいステート拡張RLフレームワークであるSARLを提案する。 当社の枠組みは, 金融PMにおける2つのユニークな課題に対処することを目的としている。(1) データの異種データ -- 資産毎の収集情報は通常, 多様性, ノイズ, 不均衡(ニュース記事など), (2) 環境の不確実性 -- 金融市場は多様で非定常である。
  論文  参考訳（メタデータ） (2020-02-09T08:10:03Z)

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。