論文の概要: A Modularized and Scalable Multi-Agent Reinforcement Learning-based
System for Financial Portfolio Management
- arxiv url: http://arxiv.org/abs/2102.03502v2
- Date: Tue, 9 Feb 2021 16:19:01 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-10 12:50:45.732547
- Title: A Modularized and Scalable Multi-Agent Reinforcement Learning-based
System for Financial Portfolio Management
- Title(参考訳): 金融ポートフォリオ管理のためのモジュール化・拡張型マルチエージェント強化学習システム
- Authors: Zhenhan Huang, Fumihide Tanaka
- Abstract要約: 金融ポートフォリオマネジメントは強化学習(RL)において最も適用可能な問題の1つである
MSPMは、ポートフォリオ管理のためのモジュール化されたスケーラブルなアーキテクチャを備えた、新しいマルチエージェント強化学習ベースシステムである。
8年にわたる米株式市場のデータの実験は、MSPMが既存のベンチマークを上回るパフォーマンスで蓄積した利益がMSPMの有効性を証明している。
- 参考スコア(独自算出の注目度): 7.6146285961466
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Financial Portfolio Management is one of the most applicable problems in
Reinforcement Learning (RL) by its sequential decision-making nature. Existing
RL-based approaches, while inspiring, often lack scalability, reusability, or
profundity of intake information to accommodate the ever-changing capital
markets. In this paper, we design and develop MSPM, a novel Multi-agent
Reinforcement learning-based system with a modularized and scalable
architecture for portfolio management. MSPM involves two asynchronously updated
units: Evolving Agent Module (EAM) and Strategic Agent Module (SAM). A
self-sustained EAM produces signal-comprised information for a specific asset
using heterogeneous data inputs, and each EAM possesses its reusability to have
connections to multiple SAMs. A SAM is responsible for the assets reallocation
of a portfolio using profound information from the EAMs connected. With the
elaborate architecture and the multi-step condensation of the volatile market
information, MSPM aims to provide a customizable, stable, and dedicated
solution to portfolio management that existing approaches do not. We also
tackle data-shortage issue of newly-listed stocks by transfer learning, and
validate the necessity of EAM. Experiments on 8-year U.S. stock markets data
prove the effectiveness of MSPM in profits accumulation by its outperformance
over existing benchmarks.
- Abstract(参考訳): 金融ポートフォリオ管理はその逐次意思決定性によって強化学習(rl)において最も適用可能な問題の1つである。
既存のRLベースのアプローチは、常に変化する資本市場に対応するために、スケーラビリティ、再利用性、あるいはインテーク情報のプロファンドをしばしば欠いている。
本稿では,ポートフォリオ管理のためのモジュール化・スケーラブルなアーキテクチャを備えた,新たなマルチエージェント強化学習システムmspmの設計と開発を行う。
MSPMには、Evolving Agent Module (EAM) と Strategic Agent Module (SAM) の2つの非同期更新ユニットが含まれている。
自己持続型EAMは、異種データ入力を用いて特定の資産の信号構成情報を生成し、各EAMは、複数のSAMに接続することができる。
SAMはEAMからの深い情報を用いてポートフォリオの資産再配置を担います。
MSPMは、精巧なアーキテクチャと揮発性市場情報のマルチステップ凝縮により、既存のアプローチにはない、カスタマイズ可能で安定した専用ソリューションをポートフォリオ管理に提供することを目指しています。
また、移転学習による新規上場株式のデータ不足問題にも取り組み、EAMの必要性を検証しています。
8年間の米国株式市場データに関する実験では、MSPMが既存のベンチマークを上回るパフォーマンスで利益の蓄積に有効であることを証明している。
関連論文リスト
- Model Composition for Multimodal Large Language Models [73.70317850267149]
本稿では,既存のMLLMのモデル構成による新しいパラダイムを提案する。
我々の基本的な実装であるNaiveMCは、モダリティエンコーダを再利用し、LLMパラメータをマージすることで、このパラダイムの有効性を実証する。
論文 参考訳(メタデータ) (2024-02-20T06:38:10Z) - Developing A Multi-Agent and Self-Adaptive Framework with Deep
Reinforcement Learning for Dynamic Portfolio Risk Management [1.3505077405741583]
ポートフォリオ全体のリターンと潜在的なリスクの間のトレードオフのバランスをとるために,マルチエージェント強化学習(RL)アプローチを提案する。
得られた実験結果から,提案したMASAフレームワークの有効性が明らかとなった。
論文 参考訳(メタデータ) (2024-02-01T11:31:26Z) - MM-LLMs: Recent Advances in MultiModal Large Language Models [51.52063849558428]
過去1年間で、MM-LLM(MultiModal Large Language Models)が大幅に進歩している。
MM-LLMのさらなる研究を促進するための総合的な調査を行う。
本稿では,主要なベンチマークで選択したMM-LLMの性能を概観し,MM-LLMの有効性を高めるための鍵となるトレーニングレシピを要約する。
論文 参考訳(メタデータ) (2024-01-24T17:10:45Z) - FinMem: A Performance-Enhanced LLM Trading Agent with Layered Memory and
Character Design [11.913409501633616]
textscFinMemは、金融上の意思決定のために考案された新しいLLMベースのエージェントフレームワークである。
textscFinMemのメモリモジュールは、人間のトレーダーの認知構造と密接に一致し、堅牢な解釈性を提供する。
このフレームワークは、エージェントが専門知識を自己開発し、新しい投資方法にアジャイルに反応し、取引決定を継続的に洗練することを可能にする。
論文 参考訳(メタデータ) (2023-11-23T00:24:40Z) - Large AI Model Empowered Multimodal Semantic Communications [51.17527319441436]
本稿では,Large AI Model-based Multimodal SC (LAM-MSC) フレームワークを提案する。
SC-based Multimodal Alignment (MMA)について紹介する。
次に、パーソナライズされたLLMベースの知識ベース(LKB)を提案する。
最後に、CGE(Conditional Generative Adversarial Network-based Channel Estimation)を適用し、CSI(Channel State Information)を得る。
論文 参考訳(メタデータ) (2023-09-03T19:24:34Z) - AgentBench: Evaluating LLMs as Agents [88.45506148281379]
大規模言語モデル(LLM)は、従来のNLPタスクを超えた現実的な実用的ミッションをターゲットとして、ますます賢く自律的になってきています。
我々は,現在8つの異なる環境からなるベンチマークであるAgentBenchを紹介し,LLM-as-Agentの推論と意思決定能力を評価する。
論文 参考訳(メタデータ) (2023-08-07T16:08:11Z) - Constructing Time-Series Momentum Portfolios with Deep Multi-Task
Learning [5.88864611435337]
本稿では、ポートフォリオ構築とボラティリティに関連する様々な補助的タスクを共同で学習するディープニューラルネットワークアーキテクチャにおいて、Multi-Task Learning(MTL)を用いた新しいアプローチを提案する。
最大3点までの取引コストを考慮に入れたとしても,既存のTSMOM戦略よりも優れていることを示す。
論文 参考訳(メタデータ) (2023-06-08T13:04:44Z) - Information Freshness-Aware Task Offloading in Air-Ground Integrated
Edge Computing Systems [49.80033982995667]
本稿では,空域統合マルチアクセスエッジコンピューティングシステムにおける情報更新性を考慮したタスクオフロードの問題について検討する。
サードパーティのリアルタイムアプリケーションサービスプロバイダは、InPからの限られた通信と計算リソースで、加入したモバイルユーザ(MU)にコンピューティングサービスを提供する。
本稿では,各MUに2つの個別の深度Q-networksを適用し,Q-factorと後Q-factorを近似する新しい深度強化学習手法を提案する。
論文 参考訳(メタデータ) (2020-07-15T21:32:43Z) - 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。