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
- Lower-Left Partial AUC: An Effective and Efficient Optimization Metric
for Recommendation [52.45394284415614]
我々は,AUCのように計算効率が良く,Top-Kランキングの指標と強く相関する新しい最適化指標であるLLPAUCを提案する。
LLPAUCはローワーレフト角のROC曲線の下の部分領域のみを考慮し、最適化はトップKに焦点をあてる。
論文 参考訳(メタデータ) (2024-02-29T13:58:33Z) - 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) - Sparse Index Tracking: Simultaneous Asset Selection and Capital
Allocation via $\ell_0$-Constrained Portfolio [8.941102077614788]
スパースポートフォリオは、取引コストの削減と不正資産の回避の観点から、完全なポートフォリオよりも望ましい。
本稿では,$ell_p$-norm制約を用いたスパースインデックストラッキングの新しい問題式を提案する。
私たちの定式化によって、ポートフォリオのスパーシリティとターンオーバーのスパーシリティの制約を選択できます。
論文 参考訳(メタデータ) (2023-07-22T04:47:30Z) - Improved Algorithms for Neural Active Learning [74.89097665112621]
非パラメトリックストリーミング設定のためのニューラルネットワーク(NN)ベースの能動学習アルゴリズムの理論的および経験的性能を改善する。
本研究では,SOTA(State-of-the-art (State-the-art)) 関連研究で使用されるものよりも,アクティブラーニングに適する人口減少を最小化することにより,2つの後悔の指標を導入する。
論文 参考訳(メタデータ) (2022-10-02T05:03:38Z) - Fuzzy Expert System for Stock Portfolio Selection: An Application to
Bombay Stock Exchange [0.0]
ボンベイ証券取引所(BSE)の株式評価と格付けのためにファジィエキスパートシステムモデルが提案されている。
このモデルの性能は、最近の株のパフォーマンスと比較すると、短期的な投資期間で十分であることが判明した。
論文 参考訳(メタデータ) (2022-04-28T10:01:15Z) - Reenvisioning Collaborative Filtering vs Matrix Factorization [65.74881520196762]
近年,行列因数分解に基づく協調フィルタリングモデルや,ニューラルネットワーク(ANN)を用いた類似性の学習が注目されている。
推薦エコシステム内でのANNの発表が最近疑問視され、効率性と有効性に関していくつかの比較がなされている。
本研究では,これらの手法が相補的評価次元に与える影響を解析しながら,超精度評価にもたらす可能性を示す。
論文 参考訳(メタデータ) (2021-07-28T16:29:38Z) - 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 Reinforcement Learning for Stock Portfolio Optimization [0.0]
私たちは、タスクに強化学習を適切に適用できるように問題を定式化します。
市場に関する現実的な仮定を維持するためには、取引コストとリスクファクターを州にも組み込む予定です。
ストックサブセット選択のための最小分散ポートフォリオと多周波データパターン抽出のためのウェーブレット変換を用いたタスクのエンドツーエンドソリューションを提案する。
論文 参考訳(メタデータ) (2020-12-09T10:19:12Z) - CRACT: Cascaded Regression-Align-Classification for Robust Visual
Tracking [97.84109669027225]
改良された提案改良モジュールCascaded Regression-Align- Classification (CRAC)を導入する。
CRACは多くのベンチマークで最先端のパフォーマンスを得る。
OTB-2015、UAV123、NfS、VOT-2018、TrackingNet、GOT-10k、LaSOTを含む7つのベンチマークの実験において、我々のCRACTは最先端の競合他社と比較して非常に有望な結果を示している。
論文 参考訳(メタデータ) (2020-11-25T02:18:33Z) - Provably Good Batch Reinforcement Learning Without Great Exploration [51.51462608429621]
バッチ強化学習(RL)は、RLアルゴリズムを多くの高利得タスクに適用するために重要である。
最近のアルゴリズムは将来性を示しているが、期待された結果に対して過度に楽観的である。
より保守的な更新を行うため、ベルマンの最適性と評価のバックアップに小さな修正を加えることで、はるかに強力な保証が得られることを示す。
論文 参考訳(メタデータ) (2020-07-16T09:25:54Z) - 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。