論文の概要: Hierarchical Risk Parity and Minimum Variance Portfolio Design on NIFTY 50 Stocks

• arxiv url: http://arxiv.org/abs/2202.02728v1
• Date: Sun, 6 Feb 2022 08:07:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-20 16:30:42.238627
• Title: Hierarchical Risk Parity and Minimum Variance Portfolio Design on NIFTY 50 Stocks
• Title（参考訳）: NIFTY50株の階層的リスクパリティと最小分散ポートフォリオ設計
• Authors: Jaydip Sen, Sidra Mehtab, Abhishek Dutta, Saikat Mondal
• Abstract要約: 本稿では,インド株式市場の8分野において,クリティカルラインアルゴリズムと階層的リスクパリティアルゴリズムという2つのアルゴリズムを用いてポートフォリオを設計する手法を提案する。 ポートフォリオのバックテスト結果は、トレーニングデータよりもCLAアルゴリズムの性能が優れている一方で、HRPアルゴリズムはテストデータ上でCLAアルゴリズムよりも優れていたことを示している。
• 参考スコア（独自算出の注目度）: 1.1879716317856945
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Portfolio design and optimization have been always an area of research that has attracted a lot of attention from researchers from the finance domain. Designing an optimum portfolio is a complex task since it involves accurate forecasting of future stock returns and risks and making a suitable tradeoff between them. This paper proposes a systematic approach to designing portfolios using two algorithms, the critical line algorithm, and the hierarchical risk parity algorithm on eight sectors of the Indian stock market. While the portfolios are designed using the stock price data from Jan 1, 2016, to Dec 31, 2020, they are tested on the data from Jan 1, 2021, to Aug 26, 2021. The backtesting results of the portfolios indicate while the performance of the CLA algorithm is superior on the training data, the HRP algorithm has outperformed the CLA algorithm on the test data.
• Abstract（参考訳）: ポートフォリオ設計と最適化は常に研究の領域であり、金融分野の研究者から多くの注目を集めてきた。 最適ポートフォリオの設計は、将来の株価リターンとリスクを正確に予測し、適切なトレードオフを行うため、複雑なタスクである。 本稿では,インド株式市場の8部門において,クリティカルラインアルゴリズムと階層的リスクパリティアルゴリズムという2つのアルゴリズムを用いたポートフォリオ設計手法を提案する。 ポートフォリオは2016年1月1日から2020年12月31日までの株価データを使用して設計されているが、テストは2021年1月1日から2021年8月26日まで行われた。 ポートフォリオのバックテスト結果は、CLAアルゴリズムがトレーニングデータよりも優れている一方で、HRPアルゴリズムはテストデータ上でCLAアルゴリズムより優れていることを示している。

関連論文リスト

• 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)
• Performance Evaluation of Equal-Weight Portfolio and Optimum Risk Portfolio on Indian Stocks [0.0]
  ポートフォリオ設計に対する3つのアプローチは、リスクを最小化し、リスクを最適化し、ストックに等しい重量を割り当てる。 ポートフォリオは2017年1月1日から2022年12月31日までの株価に基づいて設計されている。 ポートフォリオのパフォーマンスを比較し、各セクターにより高いリターンをもたらすポートフォリオを特定する。
  論文  参考訳（メタデータ） (2023-09-24T17:06:58Z)
• Portfolio Optimization: A Comparative Study [0.0]
  この章では、3つのポートフォリオ設計アプローチ、平均分散ポートフォリオ(MVP)、階層的リスクパリティ(HRP)ベースのポートフォリオ、オートエンコーダベースのポートフォリオを比較します。 ポートフォリオは、2018年1月1日から2021年12月31日までの株価データを用いて設計され、2022年1月1日から2022年12月31日までのサンプル外データでそのパフォーマンスをテストする。 MVPポートフォリオのパフォーマンスは、リスク調整されたリターンのアウトオブサンプルデータで最高のものであることが観察された。
  論文  参考訳（メタデータ） (2023-07-11T06:56:06Z)
• A Comparative Study of Hierarchical Risk Parity Portfolio and Eigen Portfolio on the NIFTY 50 Stocks [1.5773159234875098]
  本稿では,インド株式市場の7分野における階層的リスクパリティアルゴリズムと固有ポートフォリオという2つのアプローチを用いたポートフォリオ最適化の体系的アプローチを提案する。 ポートフォリオのバックテストの結果は、HRPポートフォリオのパフォーマンスが、調査されたセクターの大部分のトレーニングデータとテストデータの両方において、そのパフォーマンスよりも優れていることを示している。
  論文  参考訳（メタデータ） (2022-10-03T14:51:24Z)
• Algorithmic Foundations of Empirical X-risk Minimization [51.58884973792057]
  この原稿は、機械学習とAIの新しい最適化フレームワーク、bf empirical X-risk baseline (EXM)を紹介している。 Xリスク(X-risk)は、構成測度または目的の族を表すために導入された用語である。
  論文  参考訳（メタデータ） (2022-06-01T12:22:56Z)
• Precise Stock Price Prediction for Optimized Portfolio Design Using an LSTM Model [1.1879716317856945]
  インド経済の7つのセクターに基づいて最適化されたポートフォリオを提示する。 過去の株価は2016年1月1日から2020年12月31日までウェブから抽出される。 LSTM回帰モデルも将来の株価を予測するために設計されている。
  論文  参考訳（メタデータ） (2022-03-02T14:37:30Z)
• Portfolio Optimization on NIFTY Thematic Sector Stocks Using an LSTM Model [0.0]
  本論文では,インドのNSEの5つのテーマセクターに対して,最適リスクと固有ポートフォリオを設計するためのアルゴリズム的アプローチを提案する。 株価は2016年1月1日から2020年12月31日までウェブから抽出される。 LSTMモデルは将来の株価を予測するために設計されている。 ポートフォリオが結成されて7ヶ月後の2021年8月3日、ポートフォリオの実際のリターンはLSTM予測リターンと比較される。
  論文  参考訳（メタデータ） (2022-02-06T07:41:20Z)
• Learning to Hash Robustly, with Guarantees [79.68057056103014]
  本稿では,理論的アルゴリズムと本質的に一致する最悪ケース保証を持つハミング空間のためのNSアルゴリズムを設計する。 理論的にも実用的にも、与えられたデータセットに対してアルゴリズムが最適化できる能力を評価する。 我々のアルゴリズムは、MNISTおよびImageNetデータセットに対する最悪のパフォーマンスのクエリを、1.8倍と2.1倍の精度でリコールする。
  論文  参考訳（メタデータ） (2021-08-11T20:21:30Z)
• Provably Efficient Algorithms for Multi-Objective Competitive RL [54.22598924633369]
  エージェントの報酬がベクトルとして表現される多目的強化学習(RL)について検討する。 エージェントが相手と競合する設定では、その平均戻りベクトルから目標セットまでの距離によってその性能を測定する。 統計的および計算学的に効率的なアルゴリズムを開発し、関連するターゲットセットにアプローチする。
  論文  参考訳（メタデータ） (2021-02-05T14:26:00Z)
• Generalization in portfolio-based algorithm selection [97.74604695303285]
  ポートフォリオベースのアルゴリズム選択に関する最初の証明可能な保証を提供する。 ポートフォリオが大きければ、非常に単純なアルゴリズムセレクタであっても、過剰適合は避けられないことを示す。
  論文  参考訳（メタデータ） (2020-12-24T16:33:17Z)
• Optimal Robustness-Consistency Trade-offs for Learning-Augmented Online Algorithms [85.97516436641533]
  機械学習予測を取り入れたオンラインアルゴリズムの性能向上の課題について検討する。 目標は、一貫性と堅牢性の両方を備えたアルゴリズムを設計することだ。 機械学習予測を用いた競合解析のための非自明な下界の最初のセットを提供する。
  論文  参考訳（メタデータ） (2020-10-22T04:51:01Z)

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。