論文の概要: WaveCorr: Correlation-savvy Deep Reinforcement Learning for Portfolio
Management
- arxiv url: http://arxiv.org/abs/2109.07005v1
- Date: Tue, 14 Sep 2021 22:52:46 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-17 04:36:40.366362
- Title: WaveCorr: Correlation-savvy Deep Reinforcement Learning for Portfolio
Management
- Title（参考訳）: wavecorr: ポートフォリオ管理のための相関性に富む深層強化学習
- Authors: Saeed Marzban, Erick Delage, Jonathan Yumeng Li, Jeremie
Desgagne-Bouchard, Carl Dussault
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 1.0499611180329804
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The problem of portfolio management represents an important and challenging
class of dynamic decision making problems, where rebalancing decisions need to
be made over time with the consideration of many factors such as investors
preferences, trading environments, and market conditions. In this paper, we
present a new portfolio policy network architecture for deep reinforcement
learning (DRL)that can exploit more effectively cross-asset dependency
information and achieve better performance than state-of-the-art architectures.
In particular, we introduce a new property, referred to as \textit{asset
permutation invariance}, for portfolio policy networks that exploit multi-asset
time series data, and design the first portfolio policy network, named
WaveCorr, that preserves this invariance property when treating asset
correlation information. At the core of our design is an innovative permutation
invariant correlation processing layer. An extensive set of experiments are
conducted using data from both Canadian (TSX) and American stock markets (S&P
500), and WaveCorr consistently outperforms other architectures with an
impressive 3%-25% absolute improvement in terms of average annual return, and
up to more than 200% relative improvement in average Sharpe ratio. We also
measured an improvement of a factor of up to 5 in the stability of performance
under random choices of initial asset ordering and weights. The stability of
the network has been found as particularly valuable by our industrial partner.
- Abstract（参考訳）: ポートフォリオ管理の問題は、投資家の選好やトレーディング環境、市場状況といった多くの要因を考慮して、時間とともに再バランスの決定を行う必要があるような、ダイナミックな意思決定問題の重要かつ挑戦的なクラスである。
本稿では,より効果的に相互依存情報を活用し,最先端アーキテクチャよりも優れたパフォーマンスを実現する,深層強化学習(drl)のためのポートフォリオポリシネットワークアーキテクチャを提案する。
特に,マルチアセット時系列データを利用するポートフォリオ・ポリシー・ネットワークに対して, \textit{asset permutation invariance} と呼ばれる新たなプロパティを導入し,資産相関情報を扱う際にこの不変性を保持する最初のポートフォリオ・ポリシー・ネットワーク wavecorr を設計した。
私たちの設計の核心は、革新的な置換不変相関処理層です。
カナダ (TSX) とアメリカの株式市場 (S&P 500) の双方のデータを用いて広範な実験が行われ、WaveCorr は他のアーキテクチャを一貫して上回り、平均年率で3%-25% の絶対的な改善、シャープ比で200% 以上の相対的な改善がある。
また,初期資産の発注と重み付けのランダムな選択による性能の安定性において,最大5因子の改善も測定した。
ネットワークの安定性は、当社の産業パートナーが特に有益だと認識しています。
関連論文リスト
- Bridging and Modeling Correlations in Pairwise Data for Direct Preference Optimization [75.1240295759264]
本稿では,BMC という名前のペアデータにおけるブリッジ・アンド・モデリングの効果的なフレームワークを提案する。
目的の修正によって、ペアの選好信号の一貫性と情報性が向上する。
DPOだけではこれらの相関をモデル化し、ニュアンス付き変動を捉えるには不十分である。
論文 参考訳（メタデータ） (2024-08-14T11:29:47Z) - 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) - Deep Reinforcement Learning and Mean-Variance Strategies for Responsible Portfolio Optimization [49.396692286192206]
本研究では,ESG状態と目的を取り入れたポートフォリオ最適化のための深層強化学習について検討する。
以上の結果から,ポートフォリオアロケーションに対する平均分散アプローチに対して,深層強化学習政策が競争力を発揮する可能性が示唆された。
論文 参考訳（メタデータ） (2024-03-25T12:04:03Z) - Optimizing Portfolio Management and Risk Assessment in Digital Assets
Using Deep Learning for Predictive Analysis [5.015409508372732]
本稿では,DQNアルゴリズムを新規かつ簡単な方法で資産管理ポートフォリオに導入する。
この性能はベンチマークをはるかに上回り、ポートフォリオ管理におけるDRLアルゴリズムの有効性を十分に証明している。
異なる資産は別々に環境として訓練されるので、異なる資産間でQ値が漂う現象があるかもしれない。
論文 参考訳（メタデータ） (2024-02-25T05:23:57Z) - 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) - A Comparative Analysis of Portfolio Optimization Using Mean-Variance,
Hierarchical Risk Parity, and Reinforcement Learning Approaches on the Indian
Stock Market [0.0]
本稿では,3つのポートフォリオ最適化手法の性能の比較分析を行う。
ポートフォリオは、いくつかの株価データに基づいてトレーニングされ、テストされ、そのパフォーマンスは、年次リターン、年次リスク、シャープ比率で比較される。
論文 参考訳（メタデータ） (2023-05-27T16:38:18Z) - 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) - Deep Stock Predictions [58.720142291102135]
本稿では,Long Short Term Memory (LSTM) ニューラルネットワークを用いてポートフォリオ最適化を行うトレーディング戦略の設計について考察する。
次に、LSTMのトレーニングに使用する損失関数をカスタマイズし、利益を上げる。
カスタマイズされた損失関数を持つLSTMモデルは、ARIMAのような回帰ベースライン上でのトレーニングボットの性能を向上させる。
論文 参考訳（メタデータ） (2020-06-08T23:37:47Z) - 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) - Dynamic Federated Learning [57.14673504239551]
フェデレートラーニング(Federated Learning)は、マルチエージェント環境における集中的なコーディネーション戦略の包括的用語として登場した。
我々は、各イテレーションにおいて、利用可能なエージェントのランダムなサブセットがそのデータに基づいてローカル更新を実行する、フェデレートされた学習モデルを考える。
集約最適化問題に対する真の最小化器上の非定常ランダムウォークモデルの下で、アーキテクチャの性能は、各エージェントにおけるデータ変動率、各エージェントにおけるモデル変動率、アルゴリズムの学習率に逆比例する追跡項の3つの要因によって決定されることを示す。
論文 参考訳（メタデータ） (2020-02-20T15:00:54Z) - 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。