論文の概要: Does non-linear factorization of financial returns help build better and stabler portfolios?

• arxiv url: http://arxiv.org/abs/2204.02757v1
• Date: Wed, 6 Apr 2022 12:02:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-07 20:46:55.686742
• Title: Does non-linear factorization of financial returns help build better and stabler portfolios?
• Title（参考訳）: 金融リターンの非線形要因化は、より良い安定したポートフォリオを構築するのに役立つか?
• Authors: Bruno Spilak and Wolfgang Karl H\"ardle
• Abstract要約: 線形および非線形遅延制約条件因子に基づくポートフォリオ割当手法を提案する。 我々のアプローチは、凸非負行列因子化(NMF)とオートエンコーダニューラルネットワークという、現代の機械学習ツールに基づいている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A portfolio allocation method based on linear and non-linear latent constrained conditional factors is presented. The factor loadings are constrained to always be positive in order to obtain long-only portfolios, which is not guaranteed by classical factor analysis or PCA. In addition, the factors are to be uncorrelated among clusters in order to build long-only portfolios. Our approach is based on modern machine learning tools: convex Non-negative Matrix Factorization (NMF) and autoencoder neural networks, designed in a specific manner to enforce the learning of useful hidden data structure such as correlation between the assets' returns. Our technique finds lowly correlated linear and non-linear conditional latent factors which are used to build outperforming global portfolios consisting of cryptocurrencies and traditional assets, similar to hierarchical clustering method. We study the dynamics of the derived non-linear factors in order to forecast tail losses of the portfolios and thus build more stable ones.
• Abstract（参考訳）: 線形および非線形の潜在制約条件因子に基づくポートフォリオ割り当て手法を提案する。 ファクタローディングは、古典的因子分析やPCAでは保証されない長期限定のポートフォリオを得るために、常に正となるよう制約されている。 さらに、長期的なポートフォリオを構築するには、これらの要因はクラスタ間で無関係である必要がある。 我々のアプローチは、凸非負行列因子化(NMF)とオートエンコーダニューラルネットワークという現代の機械学習ツールに基づいており、資産のリターン間の相関のような有用な隠れデータ構造を学習するために、特定の方法で設計されている。 本手法は,階層的クラスタリング手法と同様に,暗号通貨と従来の資産からなるグローバルポートフォリオの上位パフォーマンスを構築するために使用される,低相関線形および非線形条件付き潜在要因を見いだす。 ポートフォリオのテール損失を予測し,より安定な要素を構築するために,導出した非線形因子のダイナミクスについて検討する。

関連論文リスト

• Provable Risk-Sensitive Distributional Reinforcement Learning with General Function Approximation [54.61816424792866]
  本稿では,リスク感性分布強化学習(RS-DisRL)と静的リプシッツリスク対策(LRM),一般関数近似について紹介する。 モデルに基づく関数近似のためのモデルベース戦略であるtextttRS-DisRL-M と、一般値関数近似のためのモデルフリーアプローチである textttRS-DisRL-V の2つの革新的なメタアルゴリズムを設計する。
  論文  参考訳（メタデータ） (2024-02-28T08:43:18Z)
• Which Matters Most in Making Fund Investment Decisions? A Multi-granularity Graph Disentangled Learning Framework [47.308959396996606]
  我々は,投資商品の知的マッチングを効果的に行うため,MGDLという新しいM言語グラニュラリティグラフ分散学習フレームワークを開発した。 特定のセマンティクスでより強い非絡み合い表現を実現するため、MGDLは2つの自己監督信号、すなわちファンドタイプのコントラストとファンドの人気を明示的に含んでいる。
  論文  参考訳（メタデータ） (2023-11-23T09:08:43Z)
• Model-Free Market Risk Hedging Using Crowding Networks [1.4786952412297811]
  群集はポートフォリオ戦略を設計する上で最も重要なリスク要因の1つだと考えられている。 本研究は,株式の集団化スコアの算出に使用されるファンド保有のネットワーク分析を用いて,株式の集団化分析を行う。 本手法は,コストのかかるオプションベースの戦略や複雑な数値最適化を必要としない,テールリスクを含むポートフォリオリスクの代替手段を提供する。
  論文  参考訳（メタデータ） (2023-06-13T19:50:03Z)
• Uniform Pessimistic Risk and its Optimal Portfolio [0.6445605125467574]
  本稿では,そのリスクに基づいて最適なポートフォリオを得るために,テキストテクスチュニフォーム悲観的リスクと計算アルゴリズムという,$alpha$-riskの積分を提案する。 3つのストックデータセット(S&P500、CSI500、KOSPI200)の実データ分析は、提案されたリスクとポートフォリオモデルの有用性を示している。
  論文  参考訳（メタデータ） (2023-03-02T09:41:15Z)
• Multivariate Systemic Risk Measures and Computation by Deep Learning Algorithms [63.03966552670014]
  本稿では,主観的最適度と関連するリスク割り当ての公平性に着目し,重要な理論的側面について論じる。 私たちが提供しているアルゴリズムは、予備項の学習、二重表現の最適化、およびそれに対応する公正なリスク割り当てを可能にします。
  論文  参考訳（メタデータ） (2023-02-02T22:16:49Z)
• 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)
• Deep Risk Model: A Deep Learning Solution for Mining Latent Risk Factors to Improve Covariance Matrix Estimation [8.617532047238461]
  ニューラルネットワークによるリスクファクタを効果的に"設計"するためのディープラーニングソリューションを提案する。 提案手法は,R2$で測定した説明分散を1.9%以上高めることができ,また,グローバルな最小分散ポートフォリオのリスクを低減することができる。
  論文  参考訳（メタデータ） (2021-07-12T05:30:50Z)
• Permutation Invariant Policy Optimization for Mean-Field Multi-Agent Reinforcement Learning: A Principled Approach [128.62787284435007]
  本稿では,平均場近似ポリシ最適化(MF-PPO)アルゴリズムを提案する。 我々は,MF-PPOが収束のサブ線形速度で世界的最適政策を達成することを証明した。 特に、置換不変ニューラルアーキテクチャによって引き起こされる誘導バイアスは、MF-PPOが既存の競合より優れていることを示す。
  論文  参考訳（メタデータ） (2021-05-18T04:35:41Z)
• Risk-Sensitive Deep RL: Variance-Constrained Actor-Critic Provably Finds Globally Optimal Policy [95.98698822755227]
  本研究は,リスクに敏感な深層強化学習を,分散リスク基準による平均報酬条件下で研究する試みである。 本稿では,ポリシー,ラグランジュ乗算器,フェンシェル双対変数を反復的かつ効率的に更新するアクタ批判アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-12-28T05:02:26Z)
• Learning Risk Preferences from Investment Portfolios Using Inverse Optimization [25.19470942583387]
  本稿では,既存ポートフォリオからのリスク嗜好を逆最適化を用いて測定する手法を提案する。 我々は、20年間の資産価格と10年間の相互ファンドポートフォリオ保有からなる実市場データについて、本手法を実証する。
  論文  参考訳（メタデータ） (2020-10-04T21:29:29Z)
• The Low-volatility Anomaly and the Adaptive Multi-Factor Model [0.0]
  本稿は,低ボラティリティ異常の新しい説明を提供する。 我々は,GIBSアルゴリズムによって推定される適応多要素モデルを用いて,低ボラティリティポートフォリオと高ボラティリティポートフォリオに大きく関係する基底資産を求める。
  論文  参考訳（メタデータ） (2020-03-16T20:08:31Z)

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。