論文の概要: A hybrid level-based learning swarm algorithm with mutation operator for
solving large-scale cardinality-constrained portfolio optimization problems
- arxiv url: http://arxiv.org/abs/2206.14760v1
- Date: Wed, 29 Jun 2022 16:45:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-30 20:56:19.269567
- Title: A hybrid level-based learning swarm algorithm with mutation operator for
solving large-scale cardinality-constrained portfolio optimization problems
- Title(参考訳): 大規模濃度制約ポートフォリオ最適化問題を解くためのミュータント演算子を用いたハイブリッドレベル学習スワムアルゴリズム
- Authors: Massimiliano Kaucic, Filippo Piccotto, Gabriele Sbaiz, Giorgio
Valentinuz
- Abstract要約: 本稿では,大規模ポートフォリオ最適化問題の解法として,LLSO(Level-based Learning Swarm)のハイブリッド版を提案する。
我々のゴールは、基数、ボックス、予算の制約を受けるシャープ比の修正式を最大化することです。
このアルゴリズムでは、プロジェクション演算子がこれら3つの制約を同時に処理し、再バランス制約によりトランザクションコストを暗黙的に制御する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this work, we propose a hybrid variant of the level-based learning swarm
optimizer (LLSO) for solving large-scale portfolio optimization problems. Our
goal is to maximize a modified formulation of the Sharpe ratio subject to
cardinality, box and budget constraints. The algorithm involves a projection
operator to deal with these three constraints simultaneously and we implicitly
control transaction costs thanks to a rebalancing constraint. We also introduce
a suitable exact penalty function to manage the turnover constraint. In
addition, we develop an ad hoc mutation operator to modify candidate exemplars
in the highest level of the swarm. The experimental results, using three
large-scale data sets, show that the inclusion of this procedure improves the
accuracy of the solutions. Then, a comparison with other variants of the LLSO
algorithm and two state-of-the-art swarm optimizers points out the outstanding
performance of the proposed solver in terms of exploration capabilities and
solution quality. Finally, we assess the profitability of the portfolio
allocation strategy in the last five years using an investible pool of 1119
constituents from the MSCI World Index.
- Abstract(参考訳): 本研究では,大規模ポートフォリオ最適化問題の解法として,LLSO(Level-based Learning Swarm Optimizationr)のハイブリッド版を提案する。
我々のゴールは、基数、ボックス、予算の制約を受けるシャープ比の修正式を最大化することです。
このアルゴリズムでは、プロジェクション演算子がこれら3つの制約を同時に処理し、再バランス制約によりトランザクションコストを暗黙的に制御する。
また,ターンオーバー制約を管理するための適切な厳格なペナルティ関数も導入する。
さらに,Swarmの上位レベルにおいて,候補例を修正するためのアドホック突然変異演算子を開発した。
3つの大規模データセットを用いた実験の結果,本手法の導入により解の精度が向上した。
そして、llsoアルゴリズムの他の変種と2つの最先端のスウォームオプティマイザとの比較により、探索能力と解の質に関して提案する解法の優れた性能が示されている。
最後に、MSCI世界指数の1119項目の検証可能なプールを用いて、過去5年間のポートフォリオ配分戦略の収益性を評価する。
関連論文リスト
- Diversifying Investments and Maximizing Sharpe Ratio: a novel QUBO
formulation [0.0]
本稿では,記述されたタスクに対する新しいQUBOの定式化を提案し,数学的詳細と必要な仮定を提供する。
我々は、利用可能なQUBOソルバを用いて結果を得るとともに、この用語で大規模な問題に対処するハイブリッドアプローチの振る舞いについて議論する。
論文 参考訳(メタデータ) (2023-02-23T19:15:44Z) - Learning to Optimize with Stochastic Dominance Constraints [103.26714928625582]
本稿では,不確実量を比較する問題に対して,単純かつ効率的なアプローチを開発する。
我々はラグランジアンの内部最適化をサロゲート近似の学習問題として再考した。
提案したライト-SDは、ファイナンスからサプライチェーン管理に至るまで、いくつかの代表的な問題において優れた性能を示す。
論文 参考訳(メタデータ) (2022-11-14T21:54:31Z) - Accelerating the Evolutionary Algorithms by Gaussian Process Regression
with $\epsilon$-greedy acquisition function [2.7716102039510564]
本稿では,最適化の収束を早めるために,エリート個人を推定する新しい手法を提案する。
我々の提案には、エリート個人を推定し、最適化の収束を加速する幅広い見通しがある。
論文 参考訳(メタデータ) (2022-10-13T07:56:47Z) - Generalizing Bayesian Optimization with Decision-theoretic Entropies [102.82152945324381]
統計的決定論の研究からシャノンエントロピーの一般化を考える。
まず,このエントロピーの特殊なケースがBO手順でよく用いられる獲得関数に繋がることを示す。
次に、損失に対する選択肢の選択が、どのようにして柔軟な獲得関数の族をもたらすかを示す。
論文 参考訳(メタデータ) (2022-10-04T04:43:58Z) - Comparing Classical-Quantum Portfolio Optimization with Enhanced
Constraints [0.0]
ポートフォリオ最適化問題に基本的な分析を加え、選択したバランスシートのメトリクスに基づいて資産固有の制約とグローバルな制約を追加する方法について述べる。
我々は、D-Waveの量子プロセッサを用いて、そのような問題を解決するための最先端のアルゴリズムを解析し、商用で利用可能な最適化ソフトウェアで得られるソリューションの品質を比較した。
論文 参考訳(メタデータ) (2022-03-09T17:46:32Z) - Momentum Accelerates the Convergence of Stochastic AUPRC Maximization [80.8226518642952]
高精度リコール曲線(AUPRC)に基づく領域の最適化について検討し,不均衡なタスクに広く利用されている。
我々は、$O (1/epsilon4)$のより優れた反復による、$epsilon$定常解を見つけるための新しい運動量法を開発する。
また,O(1/epsilon4)$と同じ複雑さを持つ適応手法の新たなファミリを設計し,実際により高速な収束を享受する。
論文 参考訳(メタデータ) (2021-07-02T16:21:52Z) - Unified Convergence Analysis for Adaptive Optimization with Moving Average Estimator [75.05106948314956]
1次モーメントに対する大きな運動量パラメータの増大は適応的スケーリングに十分であることを示す。
また,段階的に減少するステップサイズに応じて,段階的に運動量を増加させるための洞察を与える。
論文 参考訳(メタデータ) (2021-04-30T08:50:24Z) - Heuristic Strategies for Solving Complex Interacting Stockpile Blending
Problem with Chance Constraints [14.352521012951865]
本稿では,材料グレードの不確実性について考察し,信頼性の高い制約を確実にするために使用される確率制約を導入する。
ストックパイルブレンディング問題と確率制約に対処するため, 2つの補修演算子を組み合わせた微分進化アルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-02-10T07:56:18Z) - Combining Deep Learning and Optimization for Security-Constrained
Optimal Power Flow [94.24763814458686]
セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。
SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。
本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
論文 参考訳(メタデータ) (2020-07-14T12:38:21Z) - Convergence of adaptive algorithms for weakly convex constrained
optimization [59.36386973876765]
モローエンベロープの勾配のノルムに対して$mathcaltilde O(t-1/4)$収束率を証明する。
我々の分析では、最小バッチサイズが1ドル、定数が1位と2位のモーメントパラメータが1ドル、そしておそらくスムーズな最適化ドメインで機能する。
論文 参考訳(メタデータ) (2020-06-11T17:43:19Z) - Solving Portfolio Optimization Problems Using MOEA/D and Levy Flight [5.167794607251493]
本稿では,L'evy Flightと命名された分布型突然変異法をMOEA/Dという分解型MOEAに注入する手法を提案する。
数値的な結果と統計的テストにより、ほとんどの場合、この手法は比較法より優れていることが示された。
論文 参考訳(メタデータ) (2020-03-15T02:14:53Z)
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。