論文の概要: Deeply Equal-Weighted Subset Portfolios
- arxiv url: http://arxiv.org/abs/2006.14402v1
- Date: Wed, 24 Jun 2020 17:45:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-17 13:33:31.347923
- Title: Deeply Equal-Weighted Subset Portfolios
- Title(参考訳): 極端に等重なサブセットポートフォリオ
- Authors: Sang Il Lee
- Abstract要約: 我々はDeeply Equal-Weighted Subset Portfolio (DEWSP)と呼ばれる新しいポートフォリオモデルを提案する。
DEWSPは、資産宇宙における上位N位の資産のサブセットであり、そのメンバーは、ディープラーニングアルゴリズムから予測されたリターンに基づいて選択され、等しく重み付けされる。
DEWSPsは、ベンチマークであるHEWSPsと比較して、月次シャープ比の0.24%から5.15%の改善率を提供する。
- 参考スコア(独自算出の注目度): 1.0279748604797911
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The high sensitivity of optimized portfolios to estimation errors has
prevented their practical application. To mitigate this sensitivity, we propose
a new portfolio model called a Deeply Equal-Weighted Subset Portfolio (DEWSP).
DEWSP is a subset of top-N ranked assets in an asset universe, the members of
which are selected based on the predicted returns from deep learning algorithms
and are equally weighted. Herein, we evaluate the performance of DEWSPs of
different sizes N in comparison with the performance of other types of
portfolios such as optimized portfolios and historically equal-weighed subset
portfolios (HEWSPs), which are subsets of top-N ranked assets based on the
historical mean returns. We found the following advantages of DEWSPs: First,
DEWSPs provides an improvement rate of 0.24% to 5.15% in terms of monthly
Sharpe ratio compared to the benchmark, HEWSPs. In addition, DEWSPs are built
using a purely data-driven approach rather than relying on the efforts of
experts. DEWSPs can also target the relative risk and return to the baseline of
the EWP of an asset universe by adjusting the size N. Finally, the DEWSP
allocation mechanism is transparent and intuitive. These advantages make DEWSP
competitive in practice.
- Abstract(参考訳): 推定誤差に対する最適化ポートフォリオの高感度は、その実用的適用を妨げている。
この感度を緩和するために、Deeply Equal-Weighted Subset Portfolio (DEWSP)と呼ばれる新しいポートフォリオモデルを提案する。
DEWSPは、資産宇宙における上位N位の資産のサブセットであり、そのメンバーは、ディープラーニングアルゴリズムから予測されたリターンに基づいて選択され、等しく重み付けされる。
そこで,我々は,n個の異なるサイズのdewspsの性能を,過去の平均リターンに基づくトップnのランク付け資産のサブセットである最適化ポートフォリオや歴史的に均等なサブセットポートフォリオ(hewsps)など,他のタイプのポートフォリオのパフォーマンスと比較評価する。
まず、DEWSPsは、ベンチマークであるHEWSPsと比較して、月次シャープ比の0.24%から5.15%の改善率を提供します。
加えて、DEWSPは専門家の努力に頼るのではなく、純粋にデータ駆動のアプローチで構築されている。
DEWSPは、サイズNを調整することで、相対リスクを目標とし、資産宇宙のEWPのベースラインに戻ることもできる。
これらの利点により、dewspは実際に競争力がある。
関連論文リスト
- Benchmarking Post-Training Quantization in LLMs: Comprehensive Taxonomy, Unified Evaluation, and Comparative Analysis [89.60263788590893]
後学習量子化(PTQ)技術は大規模言語モデル(LLM)圧縮に広く採用されている。
既存のアルゴリズムは主にパフォーマンスに重点を置いており、モデルサイズ、パフォーマンス、量子化ビット幅間のトレードオフを見越している。
論文 参考訳(メタデータ) (2025-02-18T07:35:35Z) - PIPA: Preference Alignment as Prior-Informed Statistical Estimation [57.24096291517857]
本稿では、RLフリーな統一確率的フレームワークであるPIPA(Pior-Informed Preference Alignment)を紹介する。
PIPAはペアデータとアンペアデータの両方に対応し、回答とステップレベルのアノテーションを提供する。
異なる種類の事前情報を統合することにより,PIPA-MとPIPA-Nの2種類のPIPAを開発した。
論文 参考訳(メタデータ) (2025-02-09T04:31:30Z) - Optimizing Portfolio Performance through Clustering and Sharpe Ratio-Based Optimization: A Comparative Backtesting Approach [0.0]
本稿では,クラスタリングに基づくポートフォリオセグメンテーションとシャープ比に基づく最適化を組み合わせることで,投資意思決定を向上させるためのバックテスト手法を提案する。
我々は、K-Meansクラスタリングを用いた過去のログリターンに基づいて、さまざまな金融資産をクラスタに分割する。
各クラスタに対して、リスク調整されたリターンを最大化する最適な重み付けを導出するためにシャープ比に基づく最適化モデルを適用する。
論文 参考訳(メタデータ) (2025-01-21T12:00:52Z) - A Fully Analog Pipeline for Portfolio Optimization [0.0]
ポートフォリオ最適化問題を解くために,エネルギー効率,高速,完全アナログパイプラインを提案する。
バックプロパゲーションのアナログである平衡伝播を用いて線形自己エンコーダニューラルネットワークを訓練する。
そして、アナログ連続ホップフィールドネットワークは、所望の戻り値に対して最小分散ポートフォリオを出力する。
論文 参考訳(メタデータ) (2024-11-10T19:09:16Z) - TIS-DPO: Token-level Importance Sampling for Direct Preference Optimization With Estimated Weights [73.9088920210495]
本稿では,TIS-DPO と呼ばれるトークン単位の重要度サンプリング DPO の目的について,その報酬に基づいて各トークンに重要度を割り当てる手法を提案する。
TIS-DPOは、無害性、有用性アライメントおよび要約タスクにおいて、様々なベースライン手法を著しく上回っている。
論文 参考訳(メタデータ) (2024-10-06T04:03:00Z) - VinePPO: Unlocking RL Potential For LLM Reasoning Through Refined Credit Assignment [66.80143024475635]
VinePPOは不偏のモンテカルロ推定を計算するための簡単な手法である。
我々は、VinePPOが、MATHおよびGSM8Kデータセット間でPPOや他のRLフリーベースラインを一貫して上回ることを示す。
論文 参考訳(メタデータ) (2024-10-02T15:49:30Z) - Revisiting BPR: A Replicability Study of a Common Recommender System Baseline [78.00363373925758]
我々は,BPRモデルの特徴を考察し,その性能への影響を示し,オープンソースのBPR実装について検討する。
分析の結果,これらの実装とオリジナルのBPR論文の矛盾が明らかとなり,特定の実装に対して最大50%の性能低下がみられた。
BPRモデルは、トップnのレコメンデーションタスクにおける最先端メソッドに近いパフォーマンスレベルを達成でき、特定のデータセット上でもパフォーマンスが向上することを示す。
論文 参考訳(メタデータ) (2024-09-21T18:39:53Z) - Large-scale Time-Varying Portfolio Optimisation using Graph Attention Networks [4.2056926734482065]
本研究では、中規模企業における30年間のデータを活用し、距離相関と三角最大フィルタグラフを用いた企業のグラフを作成する。
GATベースのモデルが生み出すポートフォリオは、すべてのベンチマークより優れており、長期にわたって他の戦略よりも一貫して優れていることを示す。
論文 参考訳(メタデータ) (2024-07-22T10:50:47Z) - Cryptocurrency Portfolio Optimization by Neural Networks [81.20955733184398]
本稿では,これらの投資商品を活用するために,ニューラルネットワークに基づく効果的なアルゴリズムを提案する。
シャープ比を最大化するために、各アセットの割り当て重量を時間間隔で出力するディープニューラルネットワークを訓練する。
ネットワークの特定の資産に対するバイアスを規制する新たな損失項を提案し,最小分散戦略に近い割り当て戦略をネットワークに学習させる。
論文 参考訳(メタデータ) (2023-10-02T12:33:28Z) - Quantum Portfolio Optimization with Investment Bands and Target
Volatility [0.0]
ポートフォリオ最適化問題に対する複雑な実生活制約を簡単な方法で実装する方法を示す。
我々は、個々の投資バンド、すなわち、各資産に対して最小限および最大限の投資を行う方法を示す。
本研究は,現在のNISQ量子プロセッサにおいて,定量的ファイナンスにおける日々の現実的な制約をいかに簡単に実装できるかを示すものである。
論文 参考訳(メタデータ) (2021-06-12T10:17:17Z) - 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)
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。