論文の概要: Big portfolio selection by graph-based conditional moments method
- arxiv url: http://arxiv.org/abs/2301.11697v1
- Date: Fri, 27 Jan 2023 13:17:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-30 15:36:17.956291
- Title: Big portfolio selection by graph-based conditional moments method
- Title（参考訳）: グラフベース条件モーメント法によるビッグポートフォリオ選択
- Authors: Zhoufan Zhu, Ningning Zhang, Ke Zhu
- Abstract要約: 本研究では,数千株以上のポートフォリオ選択を行う新たなグラフベースの条件モーメント(GRACE)手法を提案する。
GRACE法は、係数増大時間グラフ畳み込みネットワークを介して条件量子とストックリターンの平均を学習する。
NASDAQとNYSEの株式市場への申請は、GRACE方式が競合他社よりもはるかに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）: 8.411514688735183
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: How to do big portfolio selection is very important but challenging for both
researchers and practitioners. In this paper, we propose a new graph-based
conditional moments (GRACE) method to do portfolio selection based on thousands
of stocks or more. The GRACE method first learns the conditional quantiles and
mean of stock returns via a factor-augmented temporal graph convolutional
network, which guides the learning procedure through a factor-hypergraph built
by the set of stock-to-stock relations from the domain knowledge as well as the
set of factor-to-stock relations from the asset pricing knowledge. Next, the
GRACE method learns the conditional variance, skewness, and kurtosis of stock
returns from the learned conditional quantiles by using the quantiled
conditional moment (QCM) method. The QCM method is a supervised learning
procedure to learn these conditional higher-order moments, so it largely
overcomes the computational difficulty from the classical high-dimensional
GARCH-type methods. Moreover, the QCM method allows the mis-specification in
modeling conditional quantiles to some extent, due to its regression-based
nature. Finally, the GRACE method uses the learned conditional mean, variance,
skewness, and kurtosis to construct several performance measures, which are
criteria to sort the stocks to proceed the portfolio selection in the
well-known 10-decile framework. An application to NASDAQ and NYSE stock markets
shows that the GRACE method performs much better than its competitors,
particularly when the performance measures are comprised of conditional
variance, skewness, and kurtosis.
- Abstract（参考訳）: 大きなポートフォリオの選択方法は非常に重要ですが、研究者と実践者の両方にとって難しいものです。
本稿では,数千株以上の株式に基づいてポートフォリオ選択を行う新しいグラフベースの条件付きモーメント(grace)手法を提案する。
グレース法は、まず、学習手順をドメイン知識からストック・ツー・ストック関係の集合と、資産価格知識からファクタ・ツー・ストック関係の集合とで構築したファクターハイパーグラフを介して導くファクター提示時相グラフ畳み込みネットワークを介して、ストックリターンの条件量と平均を学習する。
次に、GRACE法は、量子化条件モーメント(QCM)法を用いて、学習された条件量子量から、ストックの条件分散、歪、およびカルトーシスを学習する。
QCM法はこれらの条件付き高次モーメントを学習するための教師あり学習法であり、古典的な高次元GARCH方式の計算困難を克服する。
さらに、QCM法は回帰に基づく性質のため、条件量子のモデリングにおける誤特定をある程度許容する。
最後に、グレース法では、学習条件平均、分散、歪、およびクルトシスを用いて、よく知られた10進フレームワークでポートフォリオ選択を進めるために株式を分類するための基準となるいくつかのパフォーマンス指標を構築する。
ナスダックとnyseの株式市場への申請は、グレース法は、特に条件的ばらつき、歪み、およびクルトシスからなるパフォーマンス指標が、競合相手よりもはるかに優れたパフォーマンスを示す。
関連論文リスト
- Time-Scale Separation in Q-Learning: Extending TD($\triangle$) for Action-Value Function Decomposition [0.0]
本稿では,Q-Learningフレームワーク用のTD($Delta$)の拡張であるQ($Delta$)-Learningを紹介する。
TD($Delta$)は、Q($Delta$)-函数を異なる割引因子に分解することで、複数の時間スケールでの効率的な学習を容易にする。
本稿では,従来のQ-LearningおよびTD学習手法よりもQ($Delta$)-Learningの方が優れていることを示す。
論文 参考訳（メタデータ） (2024-11-21T11:03:07Z) - Optimizing Portfolio Management and Risk Assessment in Digital Assets
Using Deep Learning for Predictive Analysis [5.015409508372732]
本稿では,DQNアルゴリズムを新規かつ簡単な方法で資産管理ポートフォリオに導入する。
この性能はベンチマークをはるかに上回り、ポートフォリオ管理におけるDRLアルゴリズムの有効性を十分に証明している。
異なる資産は別々に環境として訓練されるので、異なる資産間でQ値が漂う現象があるかもしれない。
論文 参考訳（メタデータ） (2024-02-25T05:23:57Z) - Answering from Sure to Uncertain: Uncertainty-Aware Curriculum Learning
for Video Question Answering [63.12469700986452]
不確実性を考慮したカリキュラム学習(CL)の概念を導入する。
ここで不確実性は、困難を動的に調整するための指針となる。
実際に、我々は、ビデオQAモデルを我々のフレームワークにシームレスに統合し、包括的な実験を行う。
論文 参考訳（メタデータ） (2024-01-03T02:29:34Z) - Normalizing Flow-based Neural Process for Few-Shot Knowledge Graph
Completion [69.55700751102376]
FKGC (Few-shot Knowledge Graph completion) は、失明した事実を、無意味な関連のある事実で予測することを目的としている。
既存のFKGC手法はメートル法学習やメタラーニングに基づいており、しばしば分布外や過度に適合する問題に悩まされる。
本稿では,数ショット知識グラフ補完(NP-FKGC)のためのフローベースニューラルプロセスの正規化を提案する。
論文 参考訳（メタデータ） (2023-04-17T11:42:28Z) - Temporal-Difference Value Estimation via Uncertainty-Guided Soft Updates [110.92598350897192]
Q-Learningは、制御タスクを実行するポリシーを学ぶのに効果的であることが証明されている。
推定ノイズは、政策改善ステップにおける最大演算子の後、バイアスとなる。
UQL(Unbiased Soft Q-Learning)は、2つのアクション、有限状態空間からマルチアクション、無限状態マルコフ決定プロセスまで、EQLの作業を拡張する。
論文 参考訳（メタデータ） (2021-10-28T00:07:19Z) - Learning Multiple Stock Trading Patterns with Temporal Routing Adaptor
and Optimal Transport [8.617532047238461]
本稿では,複数の株取引パターンをモデル化し,既存の株価予測モデルを強化するための新しいアーキテクチャであるTemporal Adaptor(TRA)を提案する。
TRAは、複数のパターンを学習するための独立した予測器と、異なる予測器にサンプルをディスパッチするルータで構成される軽量モジュールである。
提案手法は,情報係数を0.053から0.059へ,情報係数を0.051から0.056に改善できることを示す。
論文 参考訳（メタデータ） (2021-06-24T12:19:45Z) - IQ-Learn: Inverse soft-Q Learning for Imitation [95.06031307730245]
少数の専門家データからの模倣学習は、複雑な力学を持つ高次元環境では困難である。
行動クローニングは、実装の単純さと安定した収束性のために広く使われている単純な方法である。
本稿では,1つのQ-関数を学習することで,対向学習を回避する動的適応型ILを提案する。
論文 参考訳（メタデータ） (2021-06-23T03:43:10Z) - Q-Learning Lagrange Policies for Multi-Action Restless Bandits [35.022322303796216]
RMAB(Multi-action restless multi-armed bandits)は、N$独立プロセスを管理する制約付きリソース割り当てのための強力なフレームワークである。
我々は,ラグランジアン緩和とQラーニングを組み合わせて,Multi-action RMABをオンラインで学習するための最初のアルゴリズムを設計する。
論文 参考訳（メタデータ） (2021-06-22T19:20:09Z) - MetaKernel: Learning Variational Random Features with Limited Labels [120.90737681252594]
少数の注釈付きサンプルから学習し、新しいタスクでうまく一般化できるという根本的かつ困難な問題に、少数のショットラーニングが対処します。
マルチショット学習のためのランダムなフーリエ機能を備えたメタラーニングカーネルをMeta Kernelと呼びます。
論文 参考訳（メタデータ） (2021-05-08T21:24:09Z) - Algorithms for Learning Graphs in Financial Markets [5.735035463793008]
ラプラシアン構造制約下での無向グラフィカルモデル学習の基本問題について検討する。
我々は,ラプラシアン行列を金融資産の精密行列のモデルとして用いるための実証的証拠によって裏付けられた自然な正当化を提案する。
我々は,非方向重み付きグラフを学習するための乗算器の交互方向法に基づく数値アルゴリズムを設計する。
論文 参考訳（メタデータ） (2020-12-31T02:48:35Z) - Conservative Q-Learning for Offline Reinforcement Learning [106.05582605650932]
CQLは既存のオフラインRLメソッドよりも大幅に優れており、多くの場合、ファイナルリターンの2～5倍高いポリシを学習しています。
理論的には、CQLは現在のポリシーの価値の低いバウンダリを生成し、理論的改善保証を伴う政策学習手順に組み込むことができることを示す。
論文 参考訳（メタデータ） (2020-06-08T17:53:42Z)
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。