論文の概要: Online Ensemble of Models for Optimal Predictive Performance with
Applications to Sector Rotation Strategy
- arxiv url: http://arxiv.org/abs/2304.09947v1
- Date: Thu, 30 Mar 2023 02:25:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-23 03:57:50.248186
- Title: Online Ensemble of Models for Optimal Predictive Performance with
Applications to Sector Rotation Strategy
- Title（参考訳）: 最適予測性能モデルのオンラインアンサンブルとセクタ回転戦略への応用
- Authors: Jiaju Miao and Pawel Polak
- Abstract要約: 資産固有の要因は、一般的に金融リターンを予測し、資産固有のリスク・プレミアを定量化するために使用される。
予測性能を最適化するオンラインアンサンブルアルゴリズムを開発した。
当社のアンサンブルからの月次予測を利用して、市場を著しく上回るセクターローテーション戦略を策定する。
- 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: Asset-specific factors are commonly used to forecast financial returns and
quantify asset-specific risk premia. Using various machine learning models, we
demonstrate that the information contained in these factors leads to even
larger economic gains in terms of forecasts of sector returns and the
measurement of sector-specific risk premia. To capitalize on the strong
predictive results of individual models for the performance of different
sectors, we develop a novel online ensemble algorithm that learns to optimize
predictive performance. The algorithm continuously adapts over time to
determine the optimal combination of individual models by solely analyzing
their most recent prediction performance. This makes it particularly suited for
time series problems, rolling window backtesting procedures, and systems of
potentially black-box models. We derive the optimal gain function, express the
corresponding regret bounds in terms of the out-of-sample R-squared measure,
and derive optimal learning rate for the algorithm. Empirically, the new
ensemble outperforms both individual machine learning models and their simple
averages in providing better measurements of sector risk premia. Moreover, it
allows for performance attribution of different factors across various sectors,
without conditioning on a specific model. Finally, by utilizing monthly
predictions from our ensemble, we develop a sector rotation strategy that
significantly outperforms the market. The strategy remains robust against
various financial factors, periods of financial distress, and conservative
transaction costs. Notably, the strategy's efficacy persists over time,
exhibiting consistent improvement throughout an extended backtesting period and
yielding substantial profits during the economic turbulence of the COVID-19
pandemic.
- Abstract（参考訳）: 資産固有の要因は、金融リターンの予測や資産固有のリスク予知の定量化によく用いられる。
様々な機械学習モデルを用いて、これらの要因に含まれる情報により、セクターリターンの予測や、セクター固有のリスク予知の測定において、さらに大きな経済的な利益をもたらすことを実証する。
異なるセクターのパフォーマンスに対する個々のモデルの強い予測結果を活用するために,予測性能の最適化を学習する新しいオンラインアンサンブルアルゴリズムを開発した。
アルゴリズムは時間とともに適応し、最新の予測性能だけを分析して、個々のモデルの最適な組み合わせを決定する。
これにより、時系列問題、ローリングウィンドウのバックテスト手順、潜在的ブラックボックスモデルのシステムに特に適合する。
最適利得関数を導出し、サンプル外 r-二乗測度を用いて対応する後悔境界を表現し、アルゴリズムの最適学習率を導出する。
実験的に、この新しいアンサンブルは、個別の機械学習モデルとそれらの単純な平均の両方で、セクターリスク・プレミアのより良い測定結果を提供する。
さらに、特定のモデルにコンディショニングすることなく、さまざまなセクタにまたがるさまざまな要因のパフォーマンス帰属を可能にする。
最後に、我々のアンサンブルからの月次予測を利用して、市場を著しく上回るセクターローテーション戦略を開発する。
この戦略は、様々な金融要因、財政難の期間、保守的な取引コストに対して堅固である。
特に、この戦略の有効性は時間とともに持続し、長期にわたる検査期間を通して一貫した改善を示し、新型コロナウイルスのパンデミックの経済混乱で実質的な利益をもたらしている。
関連論文リスト
- BreakGPT: Leveraging Large Language Models for Predicting Asset Price Surges [55.2480439325792]
本稿では,時系列予測や資産価格の急上昇の予測に特化して,新たな大規模言語モデル(LLM)アーキテクチャであるBreakGPTを紹介する。
我々は、最小限のトレーニングで財務予測を行うための有望なソリューションとしてBreakGPTを紹介し、局所的およびグローバルな時間的依存関係をキャプチャする強力な競合相手として紹介する。
論文 参考訳（メタデータ） (2024-11-09T05:40:32Z) - Financial Time-Series Forecasting: Towards Synergizing Performance And
Interpretability Within a Hybrid Machine Learning Approach [2.0213537170294793]
本稿では、ハイブリッド機械学習アルゴリズムの比較研究を行い、モデル解釈可能性の向上に活用する。
本稿では,金融時系列予測において出現する潜伏関係や複雑なパターンの発掘を目的とした,分解,自己相関関数,指数的三重予測など,時系列統計の事前処理技術に関する体系的な概要を述べる。
論文 参考訳（メタデータ） (2023-12-31T16:38:32Z) - Structured Dynamic Pricing: Optimal Regret in a Global Shrinkage Model [50.06663781566795]
消費者の嗜好と価格感が時間とともに変化する動的モデルを考える。
我々は,モデルパラメータの順序を事前に把握している透視者と比較して,収益損失が予想される,後悔による動的価格政策の性能を計測する。
提案した政策の最適性を示すだけでなく,政策立案のためには,利用可能な構造情報を組み込むことが不可欠であることを示す。
論文 参考訳（メタデータ） (2023-03-28T00:23:23Z) - When Demonstrations Meet Generative World Models: A Maximum Likelihood
Framework for Offline Inverse Reinforcement Learning [62.00672284480755]
本稿では, 専門家エージェントから, 一定の有限個の実演において観測された動作を過小評価する報酬と環境力学の構造を復元することを目的とする。
タスクを実行するための正確な専門知識モデルは、臨床的意思決定や自律運転のような安全に敏感な応用に応用できる。
論文 参考訳（メタデータ） (2023-02-15T04:14:20Z) - 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) - Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics
in Limit-Order Book Markets [84.90242084523565]
伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。
最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。
予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
論文 参考訳（メタデータ） (2022-03-07T18:59:54Z) - 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) - Expert Aggregation for Financial Forecasting [0.0]
専門家のオンラインアグリゲーションは、一つのアプローチで有限モデルの予測を組み合わせる。
オンライン専門家の混在は、非定常性によって特徴づけられる環境においても魅力的なポートフォリオパフォーマンスをもたらす。
専門家や専門家の専門化への拡張も提案されており、ポートフォリオ評価指標のファミリー全体の混合を改善する。
論文 参考訳（メタデータ） (2021-11-25T10:43:58Z) - Two-Stage Sector Rotation Methodology Using Machine Learning and Deep
Learning Techniques [0.0]
市場指標とランキングセクターを用いて各セクターのETF価格を予測する2段階の手法を提案する。
実験結果から,我々の手法が長期にわたって,ポートフォリオのパフォーマンスを均等に重み付けしていることが明らかとなった。
論文 参考訳（メタデータ） (2021-08-05T20:32:59Z) - Characterizing Fairness Over the Set of Good Models Under Selective
Labels [69.64662540443162]
同様の性能を実現するモデルセットに対して,予測公正性を特徴付けるフレームワークを開発する。
到達可能なグループレベルの予測格差の範囲を計算するためのトラクタブルアルゴリズムを提供します。
選択ラベル付きデータの実証的な課題に対処するために、我々のフレームワークを拡張します。
論文 参考訳（メタデータ） (2021-01-02T02:11:37Z) - 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)
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。