論文の概要: Deep Graph Convolutional Reinforcement Learning for Financial Portfolio
Management -- DeepPocket
- arxiv url: http://arxiv.org/abs/2105.08664v1
- Date: Thu, 6 May 2021 15:07:36 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-19 17:01:25.773479
- Title: Deep Graph Convolutional Reinforcement Learning for Financial Portfolio
Management -- DeepPocket
- Title（参考訳）: 金融ポートフォリオマネジメントのためのDeep Graph Convolutional Reinforcement Learning -- DeepPocket
- Authors: Farzan Soleymani, Eric Paquet
- Abstract要約: ポートフォリオマネジメントは、ポートフォリオを構成する資産を継続的に再配置することにより、リスクを最小限に抑えながら投資収益の最大化を目指します。
金融商品間の時間変動関係を活用し,deeppocketと呼ばれるグラフ畳み込み強化学習フレームワークを提案する。
DeepPocketは3つの異なる投資期間で5つの実生活データセットに対して評価される。
- 参考スコア（独自算出の注目度）: 6.85316573653194
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Portfolio management aims at maximizing the return on investment while
minimizing risk by continuously reallocating the assets forming the portfolio.
These assets are not independent but correlated during a short time period. A
graph convolutional reinforcement learning framework called DeepPocket is
proposed whose objective is to exploit the time-varying interrelations between
financial instruments. These interrelations are represented by a graph whose
nodes correspond to the financial instruments while the edges correspond to a
pair-wise correlation function in between assets. DeepPocket consists of a
restricted, stacked autoencoder for feature extraction, a convolutional network
to collect underlying local information shared among financial instruments, and
an actor-critic reinforcement learning agent. The actor-critic structure
contains two convolutional networks in which the actor learns and enforces an
investment policy which is, in turn, evaluated by the critic in order to
determine the best course of action by constantly reallocating the various
portfolio assets to optimize the expected return on investment. The agent is
initially trained offline with online stochastic batching on historical data.
As new data become available, it is trained online with a passive concept drift
approach to handle unexpected changes in their distributions. DeepPocket is
evaluated against five real-life datasets over three distinct investment
periods, including during the Covid-19 crisis, and clearly outperformed market
indexes.
- Abstract（参考訳）: ポートフォリオマネジメントは、ポートフォリオを構成する資産を継続的に再配置することでリスクを最小限に抑えながら、投資リターンを最大化することを目指している。
これらの資産は独立ではないが、短期間に相関関係にある。
金融商品間の時間変動関係を活用し,deeppocketと呼ばれるグラフ畳み込み強化学習フレームワークを提案する。
これらの相互関係は、ノードが金融機器に対応するグラフで表され、エッジは資産間のペアワイズ相関関数に対応する。
DeepPocketは、機能抽出のための制限付きスタックされたオートエンコーダ、金融機器間で共有される基盤となるローカル情報を収集する畳み込みネットワーク、アクター・クリティカルな強化学習エージェントで構成されている。
アクタ-批判構造は、2つの畳み込みネットワークを含み、アクタは投資収益を最適化するために、様々なポートフォリオ資産を常に再配置することにより、最善の行動経路を決定するために、批評家によって評価される投資政策を学習し、実施する。
エージェントは当初オフラインでトレーニングされ、履歴データのオンライン確率的バッチ化が行われる。
新しいデータが利用可能になると、その分散の予期せぬ変化に対処するために受動的コンセプトドリフトアプローチでオンラインにトレーニングされる。
DeepPocketは、Covid-19危機時の3つの異なる投資期間における5つの実生活データセットに対して評価されている。
関連論文リスト
- Large-scale Time-Varying Portfolio Optimisation using Graph Attention Networks [4.2056926734482065]
これはリスクの高い企業を取り入れ、ポートフォリオの最適化に全企業を使う最初の研究だ。
グラフ注意ネットワーク(GAT)を利用した新しい手法の提案と実証試験を行った。
GATは、ネットワークデータを利用して非線形関係を明らかにするディープラーニングベースのモデルである。
論文 参考訳（メタデータ） (2024-07-22T10:50:47Z) - Developing An Attention-Based Ensemble Learning Framework for Financial Portfolio Optimisation [0.0]
本稿では,アテンション機構や時系列,すなわちMASAATと統合されたマルチエージェントで自己適応的なポートフォリオ最適化フレームワークを提案する。
時系列で財務データのトークンを再構築することにより、各エージェントの注意ベースの横断分析モジュールと時間分析モジュールは、資産と時間点間の依存関係との相関を効果的に捉えることができる。
実験により、MASAATフレームワークは、よく知られたポートフォリオ最適化アプローチと比較して、印象的な拡張を実現していることが明らかとなった。
論文 参考訳（メタデータ） (2024-04-13T09:10:05Z) - Privacy-preserving design of graph neural networks with applications to
vertical federated learning [56.74455367682945]
VESPERと呼ばれるエンドツーエンドのグラフ表現学習フレームワークを提案する。
VESPERは、適切なプライバシー予算の下でスパースグラフと密度グラフの両方で高性能なGNNモデルをトレーニングすることができる。
論文 参考訳（メタデータ） (2023-10-31T15:34:59Z) - 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) - 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) - Augmented Bilinear Network for Incremental Multi-Stock Time-Series
Classification [83.23129279407271]
本稿では,有価証券のセットで事前学習したニューラルネットワークで利用可能な知識を効率的に保持する手法を提案する。
本手法では,既存の接続を固定することにより,事前学習したニューラルネットワークに符号化された事前知識を維持する。
この知識は、新しいデータを用いて最適化された一連の拡張接続によって、新しい証券に対して調整される。
論文 参考訳（メタデータ） (2022-07-23T18:54:10Z) - WaveCorr: Correlation-savvy Deep Reinforcement Learning for Portfolio
Management [1.0499611180329804]
深層強化学習(DRL)のための新しいポートフォリオポリシーネットワークアーキテクチャを提案する。
WaveCorrは、年平均リターンで3%-25%改善した他のアーキテクチャを一貫して上回っている。
また,初期資産の順序と重みのランダムな選択による性能の安定度を最大5倍に改善した。
論文 参考訳（メタデータ） (2021-09-14T22:52:46Z) - Temporal-Relational Hypergraph Tri-Attention Networks for Stock Trend
Prediction [45.74513775015998]
本稿では、エンドツーエンドの株価トレンド予測のための協調的時間関係モデリングフレームワークを提案する。
新しいハイパーグラフトリアテンションネットワーク(HGTAN)が提案され,ハイパーグラフ畳み込みネットワークが拡張された。
このようにして、HGTANは、在庫間の情報伝達におけるノード、ハイパーエッジ、ハイパーグラフの重要性を適応的に決定する。
論文 参考訳（メタデータ） (2021-07-22T02:16:09Z) - Detecting and adapting to crisis pattern with context based Deep
Reinforcement Learning [6.224519494738852]
本稿では、2つのサブネットワークで構成された革新的なDRLフレームワークを提案する。
テストセットの結果、このアプローチはMarkowitzのような従来のポートフォリオ最適化手法を大幅に上回っており、現在のCovidのような危機を検出し予測することができる。
論文 参考訳（メタデータ） (2020-09-07T12:11:08Z) - Cost-Sensitive Portfolio Selection via Deep Reinforcement Learning [100.73223416589596]
深層強化学習を用いたコスト依存型ポートフォリオ選択手法を提案する。
具体的には、価格系列パターンと資産相関の両方を抽出するために、新しい2ストリームポートフォリオポリシーネットワークを考案した。
蓄積したリターンを最大化し、強化学習によるコストの両立を抑えるため、新たなコスト感受性報酬関数が開発された。
論文 参考訳（メタデータ） (2020-03-06T06:28:17Z)
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。