論文の概要: Can Perturbations Help Reduce Investment Risks? Risk-Aware Stock
Recommendation via Split Variational Adversarial Training
- arxiv url: http://arxiv.org/abs/2304.11043v2
- Date: Fri, 26 Jan 2024 15:32:10 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-29 18:33:01.324409
- Title: Can Perturbations Help Reduce Investment Risks? Risk-Aware Stock
Recommendation via Split Variational Adversarial Training
- Title（参考訳）: 摂動は投資リスクの低減に役立つか?
スプリット変動型対向訓練によるリスクアウェアストックレコメンデーション
- Authors: Jiezhu Cheng, Kaizhu Huang, Zibin Zheng
- Abstract要約: 本稿では,リスクを意識したストックレコメンデーションのための新しいSVAT法を提案する。
株式レコメンデーションモデルのボラティリティを下げることで、SVATは投資リスクを効果的に低減し、リスク調整利益の点で最先端のベースラインを30%以上上回ります。
- 参考スコア（独自算出の注目度）: 44.7991257631318
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the stock market, a successful investment requires a good balance between
profits and risks. Based on the learning to rank paradigm, stock recommendation
has been widely studied in quantitative finance to recommend stocks with higher
return ratios for investors. Despite the efforts to make profits, many existing
recommendation approaches still have some limitations in risk control, which
may lead to intolerable paper losses in practical stock investing. To
effectively reduce risks, we draw inspiration from adversarial learning and
propose a novel Split Variational Adversarial Training (SVAT) method for
risk-aware stock recommendation. Essentially, SVAT encourages the stock model
to be sensitive to adversarial perturbations of risky stock examples and
enhances the model's risk awareness by learning from perturbations. To generate
representative adversarial examples as risk indicators, we devise a variational
perturbation generator to model diverse risk factors. Particularly, the
variational architecture enables our method to provide a rough risk
quantification for investors, showing an additional advantage of
interpretability. Experiments on several real-world stock market datasets
demonstrate the superiority of our SVAT method. By lowering the volatility of
the stock recommendation model, SVAT effectively reduces investment risks and
outperforms state-of-the-art baselines by more than 30% in terms of
risk-adjusted profits. All the experimental data and source code are available
at
https://drive.google.com/drive/folders/14AdM7WENEvIp5x5bV3zV_i4Aev21C9g6?usp=sharing.
- Abstract（参考訳）: 株式市場では、成功した投資には利益とリスクのバランスが良い必要がある。
格付けパラダイムの学習に基づき、投資家に高いリターン率の株式を推薦するため、定量金融においてストックレコメンデーションが広く研究されている。
利益を上げる努力にもかかわらず、多くの既存勧告アプローチは依然としてリスク管理にいくつかの制限を設けており、実用的な株式投資において紙の損失が許容できない可能性がある。
リスクを効果的に低減するために、敵の学習からインスピレーションを得て、リスク対応ストックレコメンデーションのための新しいSVAT(Split Variational Adversarial Training)手法を提案する。
本質的には、SVATは、リスクのある株式のサンプルの敵の摂動に敏感なストックモデルを奨励し、摂動から学ぶことによってモデルのリスク意識を高める。
リスク指標として代表的な敵対的例を生成するために,変動摂動生成器を考案し,多様なリスク因子をモデル化する。
特に変動型アーキテクチャは,投資家に対して大まかなリスク定量化を可能とし,解釈可能性のさらなる利点を示す。
いくつかの実世界の株式市場データセットの実験は、SVAT法の優位性を実証している。
株式レコメンデーションモデルのボラティリティを下げることで、SVATは投資リスクを効果的に低減し、リスク調整利益の点で最先端のベースラインを30%以上上回ります。
実験データとソースコードはすべてhttps://drive.google.com/drive/folders/14AdM7WENEvIp5x5bV_i4Aev21C9g6?
usp=共有。
関連論文リスト
- Mirror Gradient: Towards Robust Multimodal Recommender Systems via
Exploring Flat Local Minima [54.06000767038741]
フラットローカルミニマの新しい視点からマルチモーダルリコメンデータシステムの解析を行う。
我々はミラーグラディエント(MG)と呼ばれる簡潔で効果的な勾配戦略を提案する。
提案したMGは、既存の堅牢なトレーニング手法を補完し、多様な高度なレコメンデーションモデルに容易に拡張できることが判明した。
論文 参考訳（メタデータ） (2024-02-17T12:27:30Z) - 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) - Safe Deployment for Counterfactual Learning to Rank with Exposure-Based
Risk Minimization [63.93275508300137]
本稿では,安全な配置を理論的に保証する新たなリスク認識型対実学習ランク法を提案する。
提案手法の有効性を実験的に検証し,データが少ない場合の動作不良の早期回避に有効であることを示す。
論文 参考訳（メタデータ） (2023-04-26T15:54:23Z) - Robust Risk-Aware Option Hedging [2.405471533561618]
本稿では、経路依存型金融デリバティブに関連するリスクを軽減するために、ロバストリスク認識強化学習(RL)の可能性を示す。
この手法をバリアオプションのヘッジに適用し、エージェントがリスク回避からリスク探究へと移行するにつれて、最適なヘッジ戦略が歪曲する方法について強調する。
論文 参考訳（メタデータ） (2023-03-27T13:57:13Z) - Just-In-Time Learning for Operational Risk Assessment in Power Grids [12.939739997360016]
再生可能エネルギーのかなりのシェアを持つグリッドでは、オペレーターは運用リスクを評価するための追加のツールが必要である。
本稿では,Just-In-Time Risk Assessment Learning Framework (JITRALF) を代替として提案する。
JITRALFは、リスクを見積もるために必要な量を予測するために、機械学習(ML)を使用して、1日に1時間に1回のリスクサロゲートをトレーニングする。
論文 参考訳（メタデータ） (2022-09-26T15:11:27Z) - Efficient Risk-Averse Reinforcement Learning [79.61412643761034]
リスク逆強化学習(RL)では、リターンのリスク測定を最適化することが目標である。
特定の条件下では、これは必然的に局所最適障壁につながることを証明し、それを回避するためのソフトリスク機構を提案する。
迷路ナビゲーション,自律運転,資源配分ベンチマークにおいて,リスク回避の改善を示す。
論文 参考訳（メタデータ） (2022-05-10T19:40:52Z) - Deep Risk Model: A Deep Learning Solution for Mining Latent Risk Factors
to Improve Covariance Matrix Estimation [8.617532047238461]
ニューラルネットワークによるリスクファクタを効果的に"設計"するためのディープラーニングソリューションを提案する。
提案手法は,R2$で測定した説明分散を1.9%以上高めることができ,また,グローバルな最小分散ポートフォリオのリスクを低減することができる。
論文 参考訳（メタデータ） (2021-07-12T05:30:50Z) - Learning Risk Preferences from Investment Portfolios Using Inverse
Optimization [25.19470942583387]
本稿では,既存ポートフォリオからのリスク嗜好を逆最適化を用いて測定する手法を提案する。
我々は、20年間の資産価格と10年間の相互ファンドポートフォリオ保有からなる実市場データについて、本手法を実証する。
論文 参考訳（メタデータ） (2020-10-04T21:29:29Z) - Mean-Variance Policy Iteration for Risk-Averse Reinforcement Learning [75.17074235764757]
割引無限地平線MDPにおけるリスク・アバース制御の枠組みを提案する。
MVPIは、政策評価方法やリスクニュートラル制御手法を棚から外すためのリスク・アバース制御に投入できる点において、非常に柔軟性がある。
この柔軟性は、リスク中立制御とリスク逆制御のギャップを減らし、新しい拡張MDPの開発によって達成される。
論文 参考訳（メタデータ） (2020-04-22T22:23:44Z)
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。