論文の概要: Empirical Asset Pricing via Ensemble Gaussian Process Regression

• arxiv url: http://arxiv.org/abs/2212.01048v2
• Date: Fri, 03 Jan 2025 05:04:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-06 15:09:01.387015
• Title: Empirical Asset Pricing via Ensemble Gaussian Process Regression
• Title（参考訳）: アンサンブルガウス過程回帰による経験的資産価格設定
• Authors: Damir Filipović, Puneet Pasricha,
• Abstract要約: 我々のアンサンブル学習アプローチは、GPR推論に固有の計算複雑性を著しく減少させる。 本手法は,統計的,経済的に既存の機械学習モデルを支配している。 これは不確実な投資家にアピールし、S&P500を上回る等級と重み付けの予測対象ポートフォリオを圧倒的に上回っている。
• 参考スコア（独自算出の注目度）: 4.281723404774889
• License:
• Abstract: We introduce an ensemble learning method based on Gaussian Process Regression (GPR) for predicting conditional expected stock returns given stock-level and macro-economic information. Our ensemble learning approach significantly reduces the computational complexity inherent in GPR inference and lends itself to general online learning tasks. We conduct an empirical analysis on a large cross-section of US stocks from 1962 to 2016. We find that our method dominates existing machine learning models statistically and economically in terms of out-of-sample $R$-squared and Sharpe ratio of prediction-sorted portfolios. Exploiting the Bayesian nature of GPR, we introduce the mean-variance optimal portfolio with respect to the prediction uncertainty distribution of the expected stock returns. It appeals to an uncertainty averse investor and significantly dominates the equal- and value-weighted prediction-sorted portfolios, which outperform the S&P 500.
• Abstract（参考訳）: 本稿では,Gaussian Process Regression(GPR)に基づくアンサンブル学習手法を提案する。 我々のアンサンブル学習アプローチは、GPR推論に固有の計算複雑性を著しく減らし、一般のオンライン学習タスクに役立てる。 1962年から2016年にかけて、米国株の大断面に関する実証分析を行った。 提案手法は,既存の機械学習モデルを統計的・経済的に,予測対象ポートフォリオのアウトオブサンプル$R$-squaredとSharpe比で支配していることがわかった。 我々は,GPRのベイズ的性質をエクスプロイトし,期待される株価リターンの予測不確実性分布に関して,平均分散最適ポートフォリオを導入する。 これは不確実な投資家にアピールし、S&P500を上回る等級と重み付けの予測対象ポートフォリオを圧倒的に上回っている。

関連論文リスト

• Electricity Price Prediction Using Multi-Kernel Gaussian Process Regression Combined with Kernel-Based Support Vector Regression [0.0]
  本稿では,ドイツの電力価格を予測するためのハイブリッドモデルを提案する。 このアルゴリズムはガウス過程回帰(GPR)とサポート回帰ベクトル(SVR)を組み合わせたものである。
  論文  参考訳（メタデータ） (2024-11-28T10:32:50Z)
• Conformal Prediction for Stochastic Decision-Making of PV Power in Electricity Markets [0.0]
  コンフォメーション予測(CP)は、日々の太陽光発電電力予測の確率予測手法である。 CPを特定の入札戦略と組み合わせることで、エネルギーの不均衡を最小限に抑えて高い利益を得ることができる。 具体的には、k-アネレスト近傍の共形予測システムと無作為な森林回帰の後にモンドリアン・ビンニングを用いると、最良の利益が得られる。
  論文  参考訳（メタデータ） (2024-03-29T12:34:57Z)
• Regression-aware Inference with LLMs [52.764328080398805]
  提案手法は,一般的な回帰と評価指標に準最適であることを示す。 本稿では,ベイズ最適解を推定し,サンプル応答からクローズド形式の評価指標を推定する代替推論手法を提案する。
  論文  参考訳（メタデータ） (2024-03-07T03:24:34Z)
• Diffusion Variational Autoencoder for Tackling Stochasticity in Multi-Step Regression Stock Price Prediction [54.21695754082441]
  長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。 多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。 深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。 本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-18T16:21:15Z)
• Distributional Reinforcement Learning with Dual Expectile-Quantile Regression [51.87411935256015]
  分布RLに対する量子レグレッションアプローチは、任意の戻り分布を柔軟かつ効果的に学習する方法を提供する。 我々は,分布保証が消えることを示し,推定分布が急速に崩壊して平均推定値が崩壊することを実証的に観察する。 提案手法は,$L$の学習効率を生かして,返却分布の予測値と量子化値とを協調的に学習し,返却分布の完全な分布を推定し,効率的な学習を可能にするものである。
  論文  参考訳（メタデータ） (2023-05-26T12:30:05Z)
• Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models [51.3422222472898]
  ニュース見出しを用いて,ChatGPTのような大規模言語モデル(LLM)の株価変動を予測する能力について述べる。 我々は,情報容量制約,過小反応,制限対アビタージュ,LLMを組み込んだ理論モデルを構築した。
  論文  参考訳（メタデータ） (2023-04-15T19:22:37Z)
• Optimizing Stock Option Forecasting with the Assembly of Machine Learning Models and Improved Trading Strategies [9.553857741758742]
  本稿では、機械学習(ML)モデルの適用、取引戦略の改善、ストックオプション予測と取引結果の最適化のための準可逆法(QRM)について紹介する。
  論文  参考訳（メタデータ） (2022-11-29T04:01:16Z)
• Probable Domain Generalization via Quantile Risk Minimization [90.15831047587302]
  ドメインの一般化は、目に見えないテスト分布でうまく機能する予測子を求める。 我々はDGのための新しい確率的フレームワークを提案し、高い確率でよく動作する予測器を学習することを目指している。
  論文  参考訳（メタデータ） (2022-07-20T14:41:09Z)
• Sequential Asset Ranking within Nonstationary Time Series [0.0]
  本稿では,ベイズ・アセット・ローダであるエキスパート・アドバイス・フレームワークを用いた予測から,新たなランク付けアルゴリズムを提案する。 我々のアルゴリズムは、最高の総リターンとリスク調整されたリターン、取引コスト、そしてS&P 250の長期保持率を後見で上回ります。
  論文  参考訳（メタデータ） (2022-02-24T16:39:30Z)
• Stock2Vec: A Hybrid Deep Learning Framework for Stock Market Prediction with Representation Learning and Temporal Convolutional Network [71.25144476293507]
  我々は、株式市場の日々の価格を予測するためのグローバルなハイブリッドディープラーニングフレームワークを開発することを提案した。 表現学習によって、私たちはStock2Vecという埋め込みを導きました。 我々のハイブリッドフレームワークは、両方の利点を統合し、いくつかの人気のあるベンチマークモデルよりも、株価予測タスクにおいてより良いパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2020-09-29T22:54:30Z)

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。