論文の概要: A Comparative Study of Hierarchical Risk Parity Portfolio and Eigen
Portfolio on the NIFTY 50 Stocks
- arxiv url: http://arxiv.org/abs/2210.00984v1
- Date: Mon, 3 Oct 2022 14:51:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-04 17:49:13.152466
- Title: A Comparative Study of Hierarchical Risk Parity Portfolio and Eigen
Portfolio on the NIFTY 50 Stocks
- Title（参考訳）: NIFTY50株における階層的リスクパリティポートフォリオと固有ポートフォリオの比較研究
- Authors: Jaydip Sen and Abhishek Dutta
- Abstract要約: 本稿では,インド株式市場の7分野における階層的リスクパリティアルゴリズムと固有ポートフォリオという2つのアプローチを用いたポートフォリオ最適化の体系的アプローチを提案する。
ポートフォリオのバックテストの結果は、HRPポートフォリオのパフォーマンスが、調査されたセクターの大部分のトレーニングデータとテストデータの両方において、そのパフォーマンスよりも優れていることを示している。
- 参考スコア（独自算出の注目度）: 1.5773159234875098
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Portfolio optimization has been an area of research that has attracted a lot
of attention from researchers and financial analysts. Designing an optimum
portfolio is a complex task since it not only involves accurate forecasting of
future stock returns and risks but also needs to optimize them. This paper
presents a systematic approach to portfolio optimization using two approaches,
the hierarchical risk parity algorithm and the Eigen portfolio on seven sectors
of the Indian stock market. The portfolios are built following the two
approaches to historical stock prices from Jan 1, 2016, to Dec 31, 2020. The
portfolio performances are evaluated on the test data from Jan 1, 2021, to Nov
1, 2021. The backtesting results of the portfolios indicate that the
performance of the HRP portfolio is superior to that of its Eigen counterpart
on both training and test data for the majority of the sectors studied.
- Abstract（参考訳）: Portfolioの最適化は、研究者や金融アナリストから多くの注目を集めている研究分野である。
将来の株式リターンやリスクを正確に予測するだけでなく、最適化する必要があるため、最適なポートフォリオを設計することは複雑なタスクである。
本稿では,インド株式市場の7分野における階層的リスクパリティアルゴリズムと固有ポートフォリオという2つのアプローチを用いたポートフォリオ最適化手法を提案する。
ポートフォリオは2016年1月1日から2020年12月31日までの2つの歴史的株価に対するアプローチに従って構築されている。
ポートフォリオのパフォーマンスは2021年1月1日から11月1日までのテストデータに基づいて評価される。
ポートフォリオのバックテストの結果は、HRPポートフォリオのパフォーマンスが、研究分野の大部分のトレーニングデータとテストデータの両方において、Eigenよりも優れていることを示している。
関連論文リスト
- Deep Reinforcement Learning and Mean-Variance Strategies for Responsible Portfolio Optimization [49.396692286192206]
本研究では,ESG状態と目的を取り入れたポートフォリオ最適化のための深層強化学習について検討する。
以上の結果から,ポートフォリオアロケーションに対する平均分散アプローチに対して,深層強化学習政策が競争力を発揮する可能性が示唆された。
論文 参考訳（メタデータ） (2024-03-25T12:04:03Z) - 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) - Performance Evaluation of Equal-Weight Portfolio and Optimum Risk
Portfolio on Indian Stocks [0.0]
ポートフォリオ設計に対する3つのアプローチは、リスクを最小化し、リスクを最適化し、ストックに等しい重量を割り当てる。
ポートフォリオは2017年1月1日から2022年12月31日までの株価に基づいて設計されている。
ポートフォリオのパフォーマンスを比較し、各セクターにより高いリターンをもたらすポートフォリオを特定する。
論文 参考訳（メタデータ） (2023-09-24T17:06:58Z) - CSPRD: A Financial Policy Retrieval Dataset for Chinese Stock Market [61.59326951366202]
我々は、中国株式政策検索データセット(CSPRD)を導入して、新たな課題である政策検索を提案する。
CSPRDは、中国の政策コーパスの10k以上の項目から、経験豊富な専門家によってラベル付けされた700以上のパスを提供する。
我々の最高のパフォーマンスベースラインは56.1% MRR@10、28.5% NDCG@10、37.5% Recall@10、80.6% Precision@10である。
論文 参考訳（メタデータ） (2023-09-08T15:40:54Z) - Portfolio Optimization: A Comparative Study [0.0]
この章では、3つのポートフォリオ設計アプローチ、平均分散ポートフォリオ(MVP)、階層的リスクパリティ(HRP)ベースのポートフォリオ、オートエンコーダベースのポートフォリオを比較します。
ポートフォリオは、2018年1月1日から2021年12月31日までの株価データを用いて設計され、2022年1月1日から2022年12月31日までのサンプル外データでそのパフォーマンスをテストする。
MVPポートフォリオのパフォーマンスは、リスク調整されたリターンのアウトオブサンプルデータで最高のものであることが観察された。
論文 参考訳（メタデータ） (2023-07-11T06:56:06Z) - E2EAI: End-to-End Deep Learning Framework for Active Investing [123.52358449455231]
本稿では, ファクタ選択, ファクタ組み合わせ, 株式選択, ポートフォリオ構築を通じて, ファクター投資のほぼ全過程をカバーするE2Eを提案する。
実際の株式市場データの実験は、アクティブ投資におけるエンドツーエンドのディープ・リーン・フレームワークの有効性を示している。
論文 参考訳（メタデータ） (2023-05-25T10:27:07Z) - Factor Investing with a Deep Multi-Factor Model [123.52358449455231]
我々は、業界中立化と市場中立化モジュールを明確な財務見識をもって取り入れた、新しい深層多要素モデルを開発する。
実世界の株式市場データによるテストは、我々の深層多要素モデルの有効性を示している。
論文 参考訳（メタデータ） (2022-10-22T14:47:11Z) - Hierarchical Risk Parity and Minimum Variance Portfolio Design on NIFTY
50 Stocks [1.1879716317856945]
本稿では,インド株式市場の8分野において,クリティカルラインアルゴリズムと階層的リスクパリティアルゴリズムという2つのアルゴリズムを用いてポートフォリオを設計する手法を提案する。
ポートフォリオのバックテスト結果は、トレーニングデータよりもCLAアルゴリズムの性能が優れている一方で、HRPアルゴリズムはテストデータ上でCLAアルゴリズムよりも優れていたことを示している。
論文 参考訳（メタデータ） (2022-02-06T08:07:25Z) - Portfolio Optimization on NIFTY Thematic Sector Stocks Using an LSTM
Model [0.0]
本論文では,インドのNSEの5つのテーマセクターに対して,最適リスクと固有ポートフォリオを設計するためのアルゴリズム的アプローチを提案する。
株価は2016年1月1日から2020年12月31日までウェブから抽出される。
LSTMモデルは将来の株価を予測するために設計されている。
ポートフォリオが結成されて7ヶ月後の2021年8月3日、ポートフォリオの実際のリターンはLSTM予測リターンと比較される。
論文 参考訳（メタデータ） (2022-02-06T07:41:20Z) - Optimum Risk Portfolio and Eigen Portfolio: A Comparative Analysis Using
Selected Stocks from the Indian Stock Market [0.0]
本稿では,インド株式市場の7つの重要な分野について,ポートフォリオ設計,リスクポートフォリオの最小化,リスクポートフォリオの最適化,Eigenポートフォリオの3つのアプローチを提案する。
毎日の株価は、2016年1月1日から2020年12月31日までYahoo Financeのウェブサイトから取り除かれた。
ポートフォリオは、年次リターンとリスク、構成銘柄に割り当てられた重み、相関ヒートマップ、Eigenポートフォリオの主成分など、いくつかの指標に基づいて、トレーニングデータに基づいて分析される。
論文 参考訳（メタデータ） (2021-07-23T17:50:45Z) - Reinforcement-Learning based Portfolio Management with Augmented Asset
Movement Prediction States [71.54651874063865]
ポートフォリオマネジメント(PM)は、最大利益や最小リスクといった投資目標を達成することを目的としている。
本稿では,PMのための新しいステート拡張RLフレームワークであるSARLを提案する。
当社の枠組みは, 金融PMにおける2つのユニークな課題に対処することを目的としている。(1) データの異種データ -- 資産毎の収集情報は通常, 多様性, ノイズ, 不均衡(ニュース記事など), (2) 環境の不確実性 -- 金融市場は多様で非定常である。
論文 参考訳（メタデータ） (2020-02-09T08:10:03Z)
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。