Fugu-MT 論文翻訳(概要): Optimal consumption-investment choices under wealth-driven risk aversion

論文の概要: Optimal consumption-investment choices under wealth-driven risk aversion

arxiv url: http://arxiv.org/abs/2210.00950v1
Date: Mon, 3 Oct 2022 14:07:11 GMT
ステータス: 処理完了
システム内更新日: 2022-10-04 14:41:16.098298
Title: Optimal consumption-investment choices under wealth-driven risk aversion
Title（参考訳）: 富主導リスク回避下での最適消費投資選択
Authors: Ruoxin Xiao
Abstract要約: リスク回避が一定であるCRRAユーティリティは、様々な経済学モデルでよく見られる。本稿では,ニューラルネットワークによる富駆動逆流下での最適消費投資選択に対する数値解に主に焦点をあてる。
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: CRRA utility where the risk aversion coefficient is a constant is commonly seen in various economics models. But wealth-driven risk aversion rarely shows up in investor's investment problems. This paper mainly focus on numerical solutions to the optimal consumption-investment choices under wealth-driven aversion done by neural network. A jump-diffusion model is used to simulate the artificial data that is needed for the neural network training. The WDRA Model is set up for describing the investment problem and there are two parameters that require to be optimized, which are the investment rate of the wealth on the risky assets and the consumption during the investment time horizon. Under this model, neural network LSTM with one objective function is implemented and shows promising results.
Abstract（参考訳）: リスク回避係数が定数であるCRRAユーティリティは、様々な経済学モデルでよく見られる。しかし、富主導型のリスク回避は投資家の投資問題にはほとんど現れない。本稿では,ニューラルネットワークによる富駆動回避下での最適消費投資選択に対する数値解法を中心に検討する。ジャンプ拡散モデルは、ニューラルネットワークトレーニングに必要な人工データをシミュレートするために使用される。 wdraモデルは、投資問題を記述するために設定されており、リスクの高い資産に対する富の投資率と、投資の時間軸における消費率の2つのパラメータを最適化する必要がある。本モデルでは,1つの目的関数を持つニューラルネットワークLSTMを実装し,有望な結果を示す。

関連論文リスト

Cryptocurrency Portfolio Optimization by Neural Networks [81.20955733184398]
本稿では,これらの投資商品を活用するために,ニューラルネットワークに基づく効果的なアルゴリズムを提案する。シャープ比を最大化するために、各アセットの割り当て重量を時間間隔で出力するディープニューラルネットワークを訓練する。ネットワークの特定の資産に対するバイアスを規制する新たな損失項を提案し,最小分散戦略に近い割り当て戦略をネットワークに学習させる。
論文参考訳（メタデータ） (2023-10-02T12:33:28Z)
Mean Absolute Directional Loss as a New Loss Function for Machine Learning Problems in Algorithmic Investment Strategies [0.0]
本稿では,金融時系列の予測に使用される機械学習モデルの最適化における適切な損失関数の問題について検討する。本稿では,従来の予測誤り関数の重要な問題を,予測情報から抽出し,効率的な購買・販売信号を生成する手段として,平均絶対目標損失関数を提案する。
論文参考訳（メタデータ） (2023-09-19T11:52:13Z)
HireVAE: An Online and Adaptive Factor Model Based on Hierarchical and Regime-Switch VAE [113.47287249524008]
オンラインで適応的な環境で株価予測を行うファクターモデルを構築することは、依然としてオープンな疑問である。本稿では,オンラインおよび適応型要素モデルであるHireVAEを,市場状況とストックワイド潜在要因の関係を埋め込んだ階層型潜在空間として提案する。 4つの一般的な実市場ベンチマークにおいて、提案されたHireVAEは、以前の手法よりもアクティブリターンの点で優れたパフォーマンスを示している。
論文参考訳（メタデータ） (2023-06-05T12:58:13Z)
Gated Deeper Models are Effective Factor Learners [0.9137554315375922]
2048次元空間においてより有意義な因子を生成する5層ディープニューラルネットワークを提案する。我々は、最近の3年間の記録で、中国市場から2000種以上の株を評価。
論文参考訳（メタデータ） (2023-05-18T04:07:47Z)
Fuzzy Expert System for Stock Portfolio Selection: An Application to Bombay Stock Exchange [0.0]
ボンベイ証券取引所(BSE)の株式評価と格付けのためにファジィエキスパートシステムモデルが提案されている。このモデルの性能は、最近の株のパフォーマンスと比較すると、短期的な投資期間で十分であることが判明した。
論文参考訳（メタデータ） (2022-04-28T10:01:15Z)
Robust lEarned Shrinkage-Thresholding (REST): Robust unrolling for sparse recover [87.28082715343896]
我々は、モデルミス特定を前進させるのに堅牢な逆問題を解決するためのディープニューラルネットワークについて検討する。我々は,アルゴリズムの展開手法を根底にある回復問題のロバストバージョンに適用することにより,新しい堅牢なディープニューラルネットワークアーキテクチャを設計する。提案したRESTネットワークは,圧縮センシングとレーダイメージングの両問題において,最先端のモデルベースおよびデータ駆動アルゴリズムを上回る性能を示す。
論文参考訳（メタデータ） (2021-10-20T06:15:45Z)
Bilinear Input Normalization for Neural Networks in Financial Forecasting [101.89872650510074]
本稿では,高頻度金融時系列を扱うディープニューラルネットワークのための新しいデータ駆動正規化手法を提案する。提案手法は,財務時系列のバイモーダル特性を考慮したものである。我々の実験は最先端のニューラルネットワークと高周波データを用いて行われ、他の正規化技術よりも大幅に改善された。
論文参考訳（メタデータ） (2021-09-01T07:52:03Z)
Detecting and adapting to crisis pattern with context based Deep Reinforcement Learning [6.224519494738852]
本稿では、2つのサブネットワークで構成された革新的なDRLフレームワークを提案する。テストセットの結果、このアプローチはMarkowitzのような従来のポートフォリオ最適化手法を大幅に上回っており、現在のCovidのような危機を検出し予測することができる。
論文参考訳（メタデータ） (2020-09-07T12:11:08Z)
Improving the Robustness of Trading Strategy Backtesting with Boltzmann Machines and Generative Adversarial Networks [0.0]
この記事では、市場ジェネレータを構築するための機械学習モデルの使用について説明する。基礎となる考え方は、統計的性質が金融市場に見られるものと同じである人工多次元金融時系列をシミュレートすることである。そこで本稿では,バックテスト統計の確率分布を推定する新しい手法を提案する。
論文参考訳（メタデータ） (2020-07-09T14:37:45Z)
Neural Networks and Value at Risk [59.85784504799224]
リスクしきい値推定における資産価値のモンテカルロシミュレーションを行う。株式市場と長期債を試験資産として利用し、ニューラルネットワークについて検討する。はるかに少ないデータでフィードされたネットワークは、大幅にパフォーマンスが悪くなっています。
論文参考訳（メタデータ） (2020-05-04T17:41:59Z)
Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
論文参考訳（メタデータ） (2020-02-21T02:14:38Z)

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。