論文の概要: Pareto Driven Surrogate (ParDen-Sur) Assisted Optimisation of
Multi-period Portfolio Backtest Simulations
- arxiv url: http://arxiv.org/abs/2209.13528v1
- Date: Tue, 13 Sep 2022 07:29:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-02 23:40:22.817110
- Title: Pareto Driven Surrogate (ParDen-Sur) Assisted Optimisation of
Multi-period Portfolio Backtest Simulations
- Title（参考訳）: pareto driven surrogate (parden-sur) による多周期ポートフォリオバックテストシミュレーションの最適化
- Authors: Terence L. van Zyl and Matthew Woolway and Andrew Paskaramoorthy
- Abstract要約: 本研究では,glsParDen-Surモデルを用いて,要求されるハイパーパラメータ探索を効率的に行う手法を提案する。
glsParDen-Surは、従来の受け入れサンプリングスキームと並行して、glsplEAで子孫を生成するための貯水池サンプリングベースのルックアヘッド機構を含む、従来のサロゲートフレームワークを拡張している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Portfolio management is a multi-period multi-objective optimisation problem
subject to a wide range of constraints. However, in practice, portfolio
management is treated as a single-period problem partly due to the
computationally burdensome hyper-parameter search procedure needed to construct
a multi-period Pareto frontier. This study presents the \gls{ParDen-Sur}
modelling framework to efficiently perform the required hyper-parameter search.
\gls{ParDen-Sur} extends previous surrogate frameworks by including a reservoir
sampling-based look-ahead mechanism for offspring generation in \glspl{EA}
alongside the traditional acceptance sampling scheme. We evaluate this
framework against, and in conjunction with, several seminal \gls{MO} \glspl{EA}
on two datasets for both the single- and multi-period use cases. Our results
show that \gls{ParDen-Sur} can speed up the exploration for optimal
hyper-parameters by almost $2\times$ with a statistically significant
improvement of the Pareto frontiers, across multiple \glspl{EA}, for both
datasets and use cases.
- Abstract（参考訳）: ポートフォリオ管理は、幅広い制約の対象となる多期間多目的最適化問題である。
しかし、実際にはポートフォリオ管理は、多時期パレートフロンティアを構築するのに必要な計算量の多いハイパーパラメーター探索手順が原因で、単周期問題として扱われている。
本研究では,必要なハイパーパラメータ探索を効率的に行うために,gls{ParDen-Sur}モデリングフレームワークを提案する。
\gls{ParDen-Sur} は以前のサロゲートフレームワークを拡張し、従来の受け入れサンプリングスキームと共に \glspl{EA} で子孫を生成するための貯水池サンプリングベースのルックアヘッド機構を含む。
我々はこの枠組みを,単周期および多周期のユースケースの2つのデータセットに対して,いくつかのセミナルな \gls{MO} \glspl{EA} に対して評価する。
以上の結果から,<gls{ParDen-Sur} は,複数の<glspl{EA} にまたがるパレートフロンティアの統計的改善により,最適なハイパーパラメータの探索を約2\times$で高速化できることがわかった。
関連論文リスト
- Efficient Pareto Manifold Learning with Low-Rank Structure [31.082432589391953]
マルチタスク学習は本質的に多目的最適化問題である。
そこで本研究では,複数の低ランク行列を主ネットワークに統合する手法を提案する。
パラメータの数を著しく削減し、共有された特徴の抽出を容易にする。
論文 参考訳（メタデータ） (2024-07-30T11:09:27Z) - Pareto Low-Rank Adapters: Efficient Multi-Task Learning with Preferences [49.14535254003683]
PaLoRAは、タスク固有の低ランクアダプタでオリジナルのモデルを拡張する、新しいパラメータ効率の手法である。
実験の結果,PaLoRAは様々なデータセットでMTLとPFLのベースラインを上回っていることがわかった。
論文 参考訳（メタデータ） (2024-07-10T21:25:51Z) - Towards Efficient Pareto Set Approximation via Mixture of Experts Based Model Fusion [53.33473557562837]
大規模深層ニューラルネットワークに対する多目的最適化問題を解くことは、損失ランドスケープの複雑さと高価な計算コストのために難しい課題である。
本稿では,専門家(MoE)をベースとしたモデル融合を用いて,この問題を実用的でスケーラブルに解決する手法を提案する。
特殊な単一タスクモデルの重みをまとめることで、MoEモジュールは複数の目的間のトレードオフを効果的に捉えることができる。
論文 参考訳（メタデータ） (2024-06-14T07:16:18Z) - MultiZenoTravel: a Tunable Benchmark for Multi-Objective Planning with
Known Pareto Front [71.19090689055054]
多目的AI計画では、既知のPareto Frontsを示すベンチマークが不足している。
提案するベンチマーク生成器と専用ソルバは、結果のインスタンスの真のParetoを確実に計算する。
本稿では,制約された問題に対して最適な計画を示すとともに,制約された問題に対する一般的な問題を減らす方法を示す。
論文 参考訳（メタデータ） (2023-04-28T07:09:23Z) - A Pareto-optimal compositional energy-based model for sampling and
optimization of protein sequences [55.25331349436895]
深層生成モデルは、生命科学における逆問題に対する一般的な機械学習ベースのアプローチとして登場した。
これらの問題は、データ分布の学習に加えて、興味のある複数の特性を満たす新しい設計をサンプリングする必要があることが多い。
論文 参考訳（メタデータ） (2022-10-19T19:04:45Z) - Pareto Manifold Learning: Tackling multiple tasks via ensembles of
single-task models [50.33956216274694]
マルチタスク学習(MTL)では、タスクは、ソリューションへの最適化を導くのではなく、互いに達成したパフォーマンスを競い、制限することができる。
重み空間におけるアンサンブル手法であるTextitPareto Manifold Learningを提案する。
論文 参考訳（メタデータ） (2022-10-18T11:20:54Z) - Efficiently Controlling Multiple Risks with Pareto Testing [34.83506056862348]
本稿では,多目的最適化と複数仮説テストを組み合わせた2段階プロセスを提案する。
自然言語処理(NLP)アプリケーションにおいて,大規模トランスフォーマーモデルの実行を確実に高速化する手法の有効性を実証する。
論文 参考訳（メタデータ） (2022-10-14T15:54:39Z) - Consolidated learning -- a domain-specific model-free optimization
strategy with examples for XGBoost and MIMIC-IV [4.370097023410272]
本稿では,統合学習と呼ばれるチューニング問題の新たな定式化を提案する。
このような設定では、単一のタスクをチューニングするよりも、全体の最適化時間に関心があります。
我々は,XGBoostアルゴリズムの実証研究とMIMIC-IV医療データベースから抽出した予測タスクの収集を通じて,このアプローチの有効性を実証する。
論文 参考訳（メタデータ） (2022-01-27T21:38:53Z) - Pareto Navigation Gradient Descent: a First-Order Algorithm for
Optimization in Pareto Set [17.617944390196286]
マルチタスク学習のような現代の機械学習アプリケーションは、複数の目的関数をトレードオフするために最適なモデルパラメータを見つける必要がある。
勾配情報のみを用いてOPT-in-Paretoを近似的に解く1次アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-10-17T04:07:04Z) - Batched Data-Driven Evolutionary Multi-Objective Optimization Based on
Manifold Interpolation [6.560512252982714]
バッチ化されたデータ駆動型進化的多目的最適化を実現するためのフレームワークを提案する。
オフザシェルフ進化的多目的最適化アルゴリズムがプラグイン方式で適用できるのは、非常に一般的である。
提案するフレームワークは, より高速な収束と各種PF形状に対する強いレジリエンスを特徴とする。
論文 参考訳（メタデータ） (2021-09-12T23:54:26Z) - An Empirical Study of Assumptions in Bayesian Optimisation [61.19427472792523]
本研究では,ベイズ最適化に固有の従来的および非慣習的仮定を厳密に分析する。
超パラメータチューニングタスクの大多数は、不均一性と非定常性を示すと結論付けている。
これらの発見が実践者およびこの分野のさらなる研究の指針となることを願っている。
論文 参考訳（メタデータ） (2020-12-07T16:21:12Z)
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。