論文の概要: Autoencoding Conditional GAN for Portfolio Allocation Diversification
- arxiv url: http://arxiv.org/abs/2207.05701v1
- Date: Fri, 17 Jun 2022 04:15:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-17 21:14:15.298657
- Title: Autoencoding Conditional GAN for Portfolio Allocation Diversification
- Title(参考訳): ポートフォリオアロケーション多様化のための自動符号化条件GAN
- Authors: Jun Lu, Shao Yi
- Abstract要約: 本稿では,歴史的データの内部傾向を学習する深層生成モデルに基づく自動符号化CGAN(ACGAN)を提案する。
本モデルは,米国と欧州の両市場における実世界のデータセットを用いて評価した。
- 参考スコア(独自算出の注目度): 4.913248451323163
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Over the decades, the Markowitz framework has been used extensively in
portfolio analysis though it puts too much emphasis on the analysis of the
market uncertainty rather than on the trend prediction. While generative
adversarial network (GAN) and conditional GAN (CGAN) have been explored to
generate financial time series and extract features that can help portfolio
analysis. The limitation of the CGAN framework stands in putting too much
emphasis on generating series rather than keeping features that can help this
generator. In this paper, we introduce an autoencoding CGAN (ACGAN) based on
deep generative models that learns the internal trend of historical data while
modeling market uncertainty and future trends. We evaluate the model on several
real-world datasets from both the US and Europe markets, and show that the
proposed ACGAN model leads to better portfolio allocation and generates series
that are closer to true data compared to the existing Markowitz and CGAN
approaches.
- Abstract(参考訳): 数十年にわたって、markowitzフレームワークはポートフォリオ分析で広く使われてきたが、トレンド予測よりも市場の不確実性の分析に重点を置いている。
一方,GAN(Generative Adversarial Network)とCGAN(Con Conditional GAN)は,ポートフォリオ分析に役立つ財務時系列の生成と特徴抽出を目的としている。
CGANフレームワークの制限は、このジェネレータに役立つ機能を保持するのではなく、シリーズを生成することに重点を置いている。
本稿では,市場不確実性と今後のトレンドをモデル化しながら,歴史データの内部傾向を学習する深層生成モデルに基づく自動エンコードcgan(acgan)を提案する。
米国と欧州の両方の市場における実世界のデータセットでモデルを評価したところ、提案したACGANモデルによりポートフォリオの割り当てが向上し、既存のMarkowitzやCGANのアプローチと比較して真のデータに近いシリーズが生成されることがわかった。
関連論文リスト
- Numerical Claim Detection in Finance: A New Financial Dataset,
Weak-Supervision Model, and Market Analysis [4.9524454709622585]
ファイナンシャルドメインにおけるクレーム検出タスクのための新たな財務データセットを構築した。
本稿では,対象物の専門家(SME)の知識を集約関数に組み込んだ,新たな弱スーパービジョンモデルを提案する。
我々は、新しい測度楽観主義を構築することによって、提案したモデルの実用性を実証する」。
論文 参考訳(メタデータ) (2024-02-18T22:55:26Z) - Deep Generative Modeling for Financial Time Series with Application in
VaR: A Comparative Review [22.52651841623703]
ヒストリカル・シミュレーション(HS)は、翌日にリスクファクターの予測分布が戻ると、ヒストリカル・ウィンドウにおける日々のリターンの実証的な分布を利用する。
HS, GARCH および CWGAN モデルは, 歴史的USD 収率曲線データと GARCH および CIR プロセスからシミュレーションした追加データの両方で試験される。
研究によると、トップパフォーマンスモデルはHS、GARCH、CWGANモデルである。
論文 参考訳(メタデータ) (2024-01-18T20:35:32Z) - PanGu-$\pi$: Enhancing Language Model Architectures via Nonlinearity
Compensation [97.78045712375047]
大規模言語モデル(LLM)のための新しい効率的なモデルアーキテクチャを提案する。
そこで,PanGu-$pi$-7Bは,約10%の推論速度を持つベンチマークに匹敵する性能が得られることを示す。
さらに,PanGu-$pi$-7Bを金融法と法律の高価値領域に導入し,実践的応用のためにYunShanというLLMを開発した。
論文 参考訳(メタデータ) (2023-12-27T11:49:24Z) - Lag-Llama: Towards Foundation Models for Probabilistic Time Series
Forecasting [54.04430089029033]
本稿では,デコーダのみの変換器アーキテクチャに基づく時系列予測のための汎用基礎モデルであるLag-Llamaを提案する。
Lag-Llamaは、複数のドメインからの多様な時系列データの大規模なコーパスで事前訓練され、強力なゼロショット一般化能力を示す。
このような未確認データセットの比較的小さな部分で微調整を行うと、Lag-Llamaは最先端のパフォーマンスを達成する。
論文 参考訳(メタデータ) (2023-10-12T12:29:32Z) - Challenging the Myth of Graph Collaborative Filtering: a Reasoned and
Reproducibility-driven Analysis [69.46993865095247]
本稿では,6つの人気グラフと最近のグラフ推薦モデルの結果を再現するコードを提案する。
これらのグラフモデルと従来の協調フィルタリングモデルを比較する。
ユーザの近所からの情報フローを調べることにより,データセット構造における内在的特徴にどのようなモデルが影響するかを同定することを目的とする。
論文 参考訳(メタデータ) (2023-08-01T09:31:44Z) - A Hybrid Approach on Conditional GAN for Portfolio Analysis [4.913248451323163]
市場不確実性や今後のトレンドをモデル化しながら、歴史的データの内部トレンドを学習する深層生成モデルに基づく条件付きGANのハイブリッドアプローチを提案する。
提案したHybridCGANモデルとHybridACGANモデルは,既存のMarkowitz,CGAN,ACGANアプローチと比較して,ポートフォリオ割り当てが優れていることを示す。
論文 参考訳(メタデータ) (2022-07-13T00:58:42Z) - A transformer-based model for default prediction in mid-cap corporate
markets [13.535770763481905]
時価総額が100億ドル未満の中堅企業について調査する。
中間項の既定確率項構造を予測することを目的とする。
私たちは、どのデータソースがデフォルトのリスクに最も貢献しているかを理解しています。
論文 参考訳(メタデータ) (2021-11-18T19:01:00Z) - Generating Realistic Stock Market Order Streams [18.86755130031027]
本稿では,GAN(Generative Adversarial Network)に基づいて,現実的で高忠実な株式市場データを生成する手法を提案する。
我々のストック-GANモデルは、注文の履歴依存を捉えるために条件付きワッサースタインGANを使用している。
論文 参考訳(メタデータ) (2020-06-07T17:32:42Z) - Benchmarking Graph Neural Networks [75.42159546060509]
グラフニューラルネットワーク(GNN)は、グラフ上のデータから分析および学習するための標準ツールキットとなっている。
成功している分野が主流で信頼性を持つようになるためには、進捗を定量化するためにベンチマークを開発する必要がある。
GitHubリポジトリは1,800のスターと339のフォークに到達し、提案されているオープンソースフレームワークの有用性を実証している。
論文 参考訳(メタデータ) (2020-03-02T15:58:46Z) - Gaussian process imputation of multiple financial series [71.08576457371433]
金融指標、株価、為替レートなどの複数の時系列は、市場が潜んでいる状態に依存しているため、強く結びついている。
金融時系列間の関係を多出力ガウスプロセスでモデル化することで学習することに注力する。
論文 参考訳(メタデータ) (2020-02-11T19:18:18Z) - On the Difference Between the Information Bottleneck and the Deep
Information Bottleneck [81.89141311906552]
本稿では,Deep Variational Information Bottleneckとその導出に必要な仮定について再考する。
後者のマルコフ連鎖のみを満たすべき$I(T;Y)$に対して下界を最適化することで、この制限を回避する方法を示す。
論文 参考訳(メタデータ) (2019-12-31T18:31:42Z)
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。