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

• BreakGPT: Leveraging Large Language Models for Predicting Asset Price Surges [55.2480439325792]
  本稿では,時系列予測や資産価格の急上昇の予測に特化して,新たな大規模言語モデル(LLM)アーキテクチャであるBreakGPTを紹介する。 我々は、最小限のトレーニングで財務予測を行うための有望なソリューションとしてBreakGPTを紹介し、局所的およびグローバルな時間的依存関係をキャプチャする強力な競合相手として紹介する。
  論文  参考訳（メタデータ） (2024-11-09T05:40:32Z)
• Scalable Weibull Graph Attention Autoencoder for Modeling Document Networks [50.42343781348247]
  解析条件後部を解析し,推論精度を向上させるグラフポアソン因子分析法(GPFA)を開発した。 また,GPFAを多層構造に拡張したグラフPoisson gamma belief Network (GPGBN) を用いて,階層的な文書関係を複数の意味レベルで捉える。 本モデルでは,高品質な階層型文書表現を抽出し,様々なグラフ解析タスクにおいて有望な性能を実現する。
  論文  参考訳（メタデータ） (2024-10-13T02:22:14Z)
• Large-scale Time-Varying Portfolio Optimisation using Graph Attention Networks [4.2056926734482065]
  これはリスクの高い企業を取り入れ、ポートフォリオの最適化に全企業を使う最初の研究だ。 グラフ注意ネットワーク(GAT)を利用した新しい手法の提案と実証試験を行った。 GATは、ネットワークデータを利用して非線形関係を明らかにするディープラーニングベースのモデルである。
  論文  参考訳（メタデータ） (2024-07-22T10:50:47Z)
• GenBench: A Benchmarking Suite for Systematic Evaluation of Genomic Foundation Models [56.63218531256961]
  我々はGenomic Foundation Modelsの有効性を評価するためのベンチマークスイートであるGenBenchを紹介する。 GenBenchはモジュラーで拡張可能なフレームワークを提供し、様々な最先端の方法論をカプセル化している。 本稿では,タスク固有性能におけるモデルアーキテクチャとデータセット特性の相互作用のニュアンス解析を行う。
  論文  参考訳（メタデータ） (2024-06-01T08:01:05Z)
• Numerical Claim Detection in Finance: A New Financial Dataset, Weak-Supervision Model, and Market Analysis [4.575870619860645]
  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。 ここでは、利益の急落と楽観的な指標への回帰の依存を観察する。
  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)
• Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis [50.972595036856035]
  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)
• 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)

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。