論文の概要: Distributionally Robust End-to-End Portfolio Construction
- arxiv url: http://arxiv.org/abs/2206.05134v1
- Date: Fri, 10 Jun 2022 14:16:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-13 18:27:04.552169
- Title: Distributionally Robust End-to-End Portfolio Construction
- Title(参考訳): 分散ロバストなエンドツーエンドのポートフォリオ構築
- Authors: Giorgio Costa, Garud N. Iyengar
- Abstract要約: データから直接、リスク耐性パラメータとロバストネスの程度を学習する方法を示す。
本稿では,ポートフォリオ構築のためのエンドツーエンドの分散ロバストシステムを提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose an end-to-end distributionally robust system for portfolio
construction that integrates the asset return prediction model with a
distributionally robust portfolio optimization model. We also show how to learn
the risk-tolerance parameter and the degree of robustness directly from data.
End-to-end systems have an advantage in that information can be communicated
between the prediction and decision layers during training, allowing the
parameters to be trained for the final task rather than solely for predictive
performance. However, existing end-to-end systems are not able to quantify and
correct for the impact of model risk on the decision layer. Our proposed
distributionally robust end-to-end portfolio selection system explicitly
accounts for the impact of model risk. The decision layer chooses portfolios by
solving a minimax problem where the distribution of the asset returns is
assumed to belong to an ambiguity set centered around a nominal distribution.
Using convex duality, we recast the minimax problem in a form that allows for
efficient training of the end-to-end system.
- Abstract(参考訳): 本稿では,資産リターン予測モデルとポートフォリオ最適化モデルを統合するポートフォリオ構築のためのエンドツーエンドの分散的ロバストシステムを提案する。
また,データから直接,リスク耐性パラメータとロバストネスの程度を学習する方法も示す。
エンドツーエンドシステムには、トレーニング中に予測層と決定層の間で情報を伝達できるという利点があり、予測性能だけでなく、最終的なタスクのためにパラメータをトレーニングすることができる。
しかし、既存のエンドツーエンドシステムは、モデルリスクが決定層に与える影響を定量化し、修正することはできません。
提案する分散ロバストなエンドツーエンドポートフォリオ選択システムは,モデルリスクの影響を明確に考慮する。
決定層は、資産リターンの分配が名目分布を中心とした曖昧性集合に属すると仮定されるミニマックス問題を解決することによりポートフォリオを選択する。
凸双対性を用いて、エンド・ツー・エンドシステムの効率的なトレーニングを可能にする形でミニマックス問題を再キャストする。
関連論文リスト
- Value-Distributional Model-Based Reinforcement Learning [63.32053223422317]
政策の長期的業績に関する不確実性の定量化は、シーケンシャルな意思決定タスクを解決するために重要である。
モデルに基づくベイズ強化学習の観点から問題を考察する。
本稿では,値分布関数を学習するモデルに基づくアルゴリズムであるEpicemic Quantile-Regression(EQR)を提案する。
論文 参考訳(メタデータ) (2023-08-12T14:59:19Z) - Risk-Averse MDPs under Reward Ambiguity [9.929659318167731]
本稿では,リスクと報酬のあいまいさの下で,マルコフ決定過程(MDP)の分布的に堅牢なリターンリスクモデルを提案する。
スケーラブルな一階述語アルゴリズムは大規模問題の解法として設計されている。
論文 参考訳(メタデータ) (2023-01-03T11:06:30Z) - Estimating Regression Predictive Distributions with Sample Networks [17.935136717050543]
モデル不確実性に対する一般的なアプローチは、パラメトリック分布を選択し、最大推定を用いてデータに適合させることである。
選択されたパラメトリック形式は、データ生成分布に不適合であり、信頼できない不確実性推定をもたらす。
出力分布にパラメトリック形式を指定することを避けるため,不確実性をモデル化するためのフレキシブルでスケーラブルなアーキテクチャであるSampleNetを提案する。
論文 参考訳(メタデータ) (2022-11-24T17:23:29Z) - Error-based Knockoffs Inference for Controlled Feature Selection [49.99321384855201]
本手法では, ノックオフ特徴量, エラーベース特徴重要度統計量, ステップダウン手順を一体化して, エラーベースのノックオフ推定手法を提案する。
提案手法では回帰モデルを指定する必要はなく,理論的保証で特徴選択を処理できる。
論文 参考訳(メタデータ) (2022-03-09T01:55:59Z) - Robustifying Conditional Portfolio Decisions via Optimal Transport [20.23086355947946]
副次情報,条件推定,ロバスト性を統合したデータ駆動型ポートフォリオ選択モデルを提案する。
側面情報問題を伴う分布的ロバストなポートフォリオ配置を有限次元最適化問題として再構成できることを示す。
米国および中国の株式市場での実証研究は、他のベンチマークに対する統合フレームワークの利点を示しています。
論文 参考訳(メタデータ) (2021-03-30T15:56:03Z) - Modeling the Second Player in Distributionally Robust Optimization [90.25995710696425]
我々は、最悪のケース分布を特徴付けるために神経生成モデルを使うことを議論する。
このアプローチは多くの実装と最適化の課題をもたらします。
提案されたアプローチは、同等のベースラインよりも堅牢なモデルを生み出す。
論文 参考訳(メタデータ) (2021-03-18T14:26:26Z) - Outside the Echo Chamber: Optimizing the Performative Risk [21.62040119228266]
本研究では,損失関数の性質の自然集合と,その実行リスクが凸となるモデル誘起分布シフトを同定する。
導関数のない凸最適化の一般的な方法よりも優れたサンプル効率で性能リスクを最適化するために,構造的仮定を活用するアルゴリズムを開発した。
論文 参考訳(メタデータ) (2021-02-17T04:36:39Z) - Stein Variational Model Predictive Control [130.60527864489168]
不確実性の下での意思決定は、現実の自律システムにとって極めて重要である。
モデル予測制御 (MPC) 法は, 複雑な分布を扱う場合, 適用範囲が限られている。
この枠組みが、挑戦的で非最適な制御問題における計画の成功に繋がることを示す。
論文 参考訳(メタデータ) (2020-11-15T22:36:59Z) - Estimating Generalization under Distribution Shifts via Domain-Invariant
Representations [75.74928159249225]
未知の真のターゲットラベルのプロキシとして、ドメイン不変の予測器のセットを使用します。
結果として生じるリスク見積の誤差は、プロキシモデルのターゲットリスクに依存する。
論文 参考訳(メタデータ) (2020-07-06T17:21:24Z) - Decision-Making with Auto-Encoding Variational Bayes [71.44735417472043]
変分分布とは異なる後部近似を用いて意思決定を行うことが示唆された。
これらの理論的な結果から,最適モデルに関するいくつかの近似的提案を学習することを提案する。
おもちゃの例に加えて,単細胞RNAシークエンシングのケーススタディも紹介する。
論文 参考訳(メタデータ) (2020-02-17T19:23:36Z)
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。