Fugu-MT 論文翻訳(概要): Graphical Models for Financial Time Series and Portfolio Selection

論文の概要: Graphical Models for Financial Time Series and Portfolio Selection

arxiv url: http://arxiv.org/abs/2101.09214v1
Date: Fri, 22 Jan 2021 16:56:54 GMT
ステータス: 処理完了
システム内更新日: 2021-03-20 22:38:42.517962
Title: Graphical Models for Financial Time Series and Portfolio Selection
Title（参考訳）: 金融時系列とポートフォリオ選択のためのグラフィカルモデル
Authors: Ni Zhan, Yijia Sun, Aman Jakhar, He Liu
Abstract要約: 我々は, PCA-KMeans, オートエンコーダ, 動的クラスタリング, 構造学習を用いて最適ポートフォリオを構築する。この研究は、グラフィカルモデルが時系列データの時間依存性を効果的に学習し、資産管理に有用であることが示唆されている。
参考スコア（独自算出の注目度）: 3.444844635251667
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We examine a variety of graphical models to construct optimal portfolios. Graphical models such as PCA-KMeans, autoencoders, dynamic clustering, and structural learning can capture the time varying patterns in the covariance matrix and allow the creation of an optimal and robust portfolio. We compared the resulting portfolios from the different models with baseline methods. In many cases our graphical strategies generated steadily increasing returns with low risk and outgrew the S&P 500 index. This work suggests that graphical models can effectively learn the temporal dependencies in time series data and are proved useful in asset management.
Abstract（参考訳）: 最適なポートフォリオを構築するために,様々なグラフィカルモデルを検討する。 PCA-KMeans、オートエンコーダ、動的クラスタリング、構造学習などのグラフィカルモデルは、共分散行列の時間変化パターンをキャプチャし、最適かつ堅牢なポートフォリオを作成することができる。異なるモデルから得られたポートフォリオをベースラインメソッドと比較した。多くの場合、我々のグラフィカル戦略はリスクの低いリターンを着実に増加させ、S&P 500指数を上回ります。この研究は、グラフィックモデルが時系列データの時間依存性を効果的に学習でき、アセットマネジメントにおいて有用であることが証明されている。

関連論文リスト

The Geometry of Self-supervised Learning Models and its Impact on Transfer Learning [62.601681746034956]
自己教師型学習(SSL)はコンピュータビジョンにおいて望ましいパラダイムとして登場した。本稿では,各特徴空間内の局所的近傍を用いて異なるSSLモデルを分析するためのデータ駆動幾何学的手法を提案する。
論文参考訳（メタデータ） (2022-09-18T18:15:38Z)
Model-Based Deep Learning: On the Intersection of Deep Learning and Optimization [101.32332941117271]
決定アルゴリズムは様々なアプリケーションで使われている。数理モデルに頼らずにデータから調整された高度パラメトリックアーキテクチャを使用するディープラーニングアプローチが、ますます人気が高まっている。モデルに基づく最適化とデータ中心のディープラーニングは、しばしば異なる規律とみなされる。
論文参考訳（メタデータ） (2022-05-05T13:40:08Z)
Learning Sparse and Continuous Graph Structures for Multivariate Time Series Forecasting [5.359968374560132]
Learning Sparse and Continuous Graphs for Forecasting (LSCGF)は、グラフ学習と予測に結合する新しいディープラーニングモデルである。本稿では,スムーズ・スパース・ユニット (SSU) という新しい手法を提案する。我々のモデルは、訓練可能な小さなパラメータで最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2022-01-24T13:35:37Z)
Expert Aggregation for Financial Forecasting [0.0]
本稿では,複数の機械学習技術を組み合わせたオンラインアグリゲーションベースの予測モデルを用いて,市場環境に適応するポートフォリオを構築することを提案する。我々は,アグリゲーションが単一アルゴリズムよりも性能と安定性の両方で優れていることを示す。
論文参考訳（メタデータ） (2021-11-25T10:43:58Z)
Data Summarization via Bilevel Optimization [48.89977988203108]
シンプルだが強力なアプローチは、小さなサブセットのデータを操作することだ。本研究では,コアセット選択を基数制約付き双レベル最適化問題として定式化する汎用コアセットフレームワークを提案する。
論文参考訳（メタデータ） (2021-09-26T09:08:38Z)
A Study of Joint Graph Inference and Forecasting [13.340967777671565]
多変量時系列の予測を改善するためにグラフニューラルネットワーク(GNN)を用いた最近のモデルのクラスについて検討する。グラフを微分可能な方法でパラメータ化することで、モデルは予測品質を改善することを目指している。
論文参考訳（メタデータ） (2021-09-10T16:34:35Z)
Deep Sequence Modeling: Development and Applications in Asset Pricing [35.027865343844766]
我々は資産のリターンを予測し、人工知能の卓越した技術であるディープシークエンス・モデリングを用いてリスク・プレミアを測定する。資産の返却は、しばしば従来の時系列モデルでは効果的に捉えられないシーケンシャルな依存を示すため、シーケンスモデリングはデータ駆動アプローチと優れたパフォーマンスで有望な経路を提供する。
論文参考訳（メタデータ） (2021-08-20T04:40:55Z)
Learning Gaussian Graphical Models with Latent Confounders [72.98159102639153]
グラフィカルモデルにおける推論のための2つの戦略と潜在共同設立者とを比較して比較する。これら2つのアプローチは同じような目標を持っているが、結合に関するさまざまな仮定によって動機づけられている。これら2つのアプローチの強みを組み合わせた新しい手法を提案する。
論文参考訳（メタデータ） (2021-05-14T00:53:03Z)
Model-Agnostic Graph Regularization for Few-Shot Learning [60.64531995451357]
グラフ組み込み数ショット学習に関する包括的な研究を紹介します。本稿では,ラベル間のグラフ情報の組み込みによる影響をより深く理解できるグラフ正規化手法を提案する。提案手法は,Mini-ImageNetで最大2%,ImageNet-FSで6.7%の性能向上を実現する。
論文参考訳（メタデータ） (2021-02-14T05:28:13Z)
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)
Model-Augmented Actor-Critic: Backpropagating through Paths [81.86992776864729]
現在のモデルに基づく強化学習アプローチでは、単に学習されたブラックボックスシミュレータとしてモデルを使用する。その微分可能性を利用してモデルをより効果的に活用する方法を示す。
論文参考訳（メタデータ） (2020-05-16T19:18:10Z)

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。