論文の概要: Deep Reinforcement Learning for Optimal Investment and Saving Strategy Selection in Heterogeneous Profiles: Intelligent Agents working towards retirement

• arxiv url: http://arxiv.org/abs/2206.05835v1
• Date: Sun, 12 Jun 2022 20:27:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-15 03:42:43.926843
• Title: Deep Reinforcement Learning for Optimal Investment and Saving Strategy Selection in Heterogeneous Profiles: Intelligent Agents working towards retirement
• Title（参考訳）: 不均一プロファイルにおける最適投資・貯蓄戦略選択のための深層強化学習:退職を目指す知的エージェント
• Authors: Fatih Ozhamaratli (1) and Paolo Barucca (1) ((1) University College London)
• Abstract要約: 定義された利益から決定された寄付年金計画への移行は、貯蓄の責任を政府や機関から個人へとシフトさせる。 エージェントが不均一なプロファイルに適した最適なポートフォリオ割り当てと保存戦略を学習するモデルを導入する。 本研究は,エージェントプロファイルに依存する不均一な所得軌道に着目し,エージェントの行動パラメータ化を取り入れた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The transition from defined benefit to defined contribution pension plans shifts the responsibility for saving toward retirement from governments and institutions to the individuals. Determining optimal saving and investment strategy for individuals is paramount for stable financial stance and for avoiding poverty during work-life and retirement, and it is a particularly challenging task in a world where form of employment and income trajectory experienced by different occupation groups are highly diversified. We introduce a model in which agents learn optimal portfolio allocation and saving strategies that are suitable for their heterogeneous profiles. We use deep reinforcement learning to train agents. The environment is calibrated with occupation and age dependent income evolution dynamics. The research focuses on heterogeneous income trajectories dependent on agent profiles and incorporates the behavioural parameterisation of agents. The model provides a flexible methodology to estimate lifetime consumption and investment choices for heterogeneous profiles under varying scenarios.
• Abstract（参考訳）: 定義された利益から決定された寄付年金計画への移行は、貯蓄責任を政府や機関から個人へとシフトさせる。 個人に対する最適貯蓄・投資戦略の決定は、安定した金融姿勢や、労働生活や退職中の貧困を避ける上で最重要であり、異なる職業集団が経験する雇用形態や収入の軌跡が高度に多様化する世界では、特に困難な課題である。 本稿では,エージェントが不均質なプロファイルに適した最適ポートフォリオ割り当てと貯蓄戦略を学習するモデルを提案する。 私たちはエージェントの訓練に深層強化学習を使用します。 環境は職業と年齢依存の所得進化のダイナミクスで調整されている。 本研究は,エージェントプロファイルに依存する異質な所得軌道に着目し,エージェントの行動パラメータ化を取り入れている。 このモデルは、様々なシナリオで異種プロファイルの寿命消費と投資選択を見積もる柔軟な方法論を提供する。

関連論文リスト

• From Novice to Expert: LLM Agent Policy Optimization via Step-wise Reinforcement Learning [62.54484062185869]
  本稿では,エージェントの強化学習プロセスの最適化にステップワイド報酬を利用するStepAgentを紹介する。 エージェント反射とポリシー調整を容易にする暗黙の逆・逆の強化学習手法を提案する。
  論文  参考訳（メタデータ） (2024-11-06T10:35:11Z)
• 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)
• Agent-Pro: Learning to Evolve via Policy-Level Reflection and Optimization [53.510942601223626]
  大規模言語モデル(LLM)は多様なタスクに対して堅牢な問題解決能力を示す。 これらのタスクソルバは、タスクルールを通知し、行動を調整するために手作業によるプロンプトを必要とする。 本稿では,ポリシーレベルのリフレクションと最適化を備えた LLM ベースのエージェントである Agent-Pro を提案する。
  論文  参考訳（メタデータ） (2024-02-27T15:09:20Z)
• Quantifying Agent Interaction in Multi-agent Reinforcement Learning for Cost-efficient Generalization [63.554226552130054]
  マルチエージェント強化学習(MARL)における一般化の課題 エージェントが未確認のコプレイヤーに影響される程度は、エージェントのポリシーと特定のシナリオに依存する。 与えられたシナリオと環境におけるエージェント間の相互作用強度を定量化する指標であるLoI(Level of Influence)を提示する。
  論文  参考訳（メタデータ） (2023-10-11T06:09:26Z)
• Distinguishing Risk Preferences using Repeated Gambles [0.0]
  繰り返しギャンブルのシーケンスは、人間や人工的な意思決定エージェントのリスク嗜好を特徴づける実験ツールを提供する。 エージェントの富が増大するにつれて、エージェントのリスク選好を区別することがますます困難になっていることを示す。
  論文  参考訳（メタデータ） (2023-08-14T10:27:58Z)
• Reinforcement Learning with Intrinsic Affinity for Personalized Asset Management [0.0]
  我々は,戦略がグローバルな本質的な親和性を持つことを保証する正規化手法を開発した。 私たちは、本質的な親和性を利用して、本質的な解釈を可能にします。 我々は、RLエージェントが特定のパーソナリティプロファイルに対する個々のポリシーを編成し、高いリターンを達成するためにどのように訓練できるかを実証する。
  論文  参考訳（メタデータ） (2022-04-20T04:33:32Z)
• Policy Gradient Bayesian Robust Optimization for Imitation Learning [49.881386773269746]
  我々は、期待される性能とリスクのバランスをとるために、新しいポリシー勾配スタイルのロバスト最適化手法PG-BROILを導出する。 その結果,PG-BROILはリスクニュートラルからリスク・アバースまでの行動のファミリを創出できる可能性が示唆された。
  論文  参考訳（メタデータ） (2021-06-11T16:49:15Z)
• Exploring the Impact of Tunable Agents in Sequential Social Dilemmas [0.0]
  我々は多目的強化学習を活用して調整可能なエージェントを作成する。 この手法を逐次社会的ジレンマに適用する。 調整可能なエージェント・フレームワークは協調行動と競争行動の容易な適応を可能にすることを実証する。
  論文  参考訳（メタデータ） (2021-01-28T12:44:31Z)
• Heterogeneous Explore-Exploit Strategies on Multi-Star Networks [0.0]
  エージェントがマルチスターネットワーク上で通信する分散帯域幅問題について検討する。 モデル不規則ネットワークグラフとしてマルチスターを用いた異種探索探索戦略を提案する。
  論文  参考訳（メタデータ） (2020-09-02T20:56:49Z)
• Decentralized Reinforcement Learning: Global Decision-Making via Local Economic Transactions [80.49176924360499]
  我々は、シーケンシャルな意思決定問題を解決するために、単純で専門的で自己関心のあるエージェントの社会を指示する枠組みを確立する。 我々は分散強化学習アルゴリズムのクラスを導出する。 我々は、より効率的な移動学習のための社会固有のモジュラー構造の潜在的な利点を実証する。
  論文  参考訳（メタデータ） (2020-07-05T16:41:09Z)

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。