論文の概要: A Comparative Analysis of Portfolio Optimization Using Mean-Variance, Hierarchical Risk Parity, and Reinforcement Learning Approaches on the Indian Stock Market

• arxiv url: http://arxiv.org/abs/2305.17523v1
• Date: Sat, 27 May 2023 16:38:18 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-30 18:36:45.066392
• Title: A Comparative Analysis of Portfolio Optimization Using Mean-Variance, Hierarchical Risk Parity, and Reinforcement Learning Approaches on the Indian Stock Market
• Title（参考訳）: インド株式市場における平均分散、階層的リスクパリティ、強化学習アプローチを用いたポートフォリオ最適化の比較分析
• Authors: Jaydip Sen, Aditya Jaiswal, Anshuman Pathak, Atish Kumar Majee, Kushagra Kumar, Manas Kumar Sarkar, and Soubhik Maji
• Abstract要約: 本稿では,3つのポートフォリオ最適化手法の性能の比較分析を行う。 ポートフォリオは、いくつかの株価データに基づいてトレーニングされ、テストされ、そのパフォーマンスは、年次リターン、年次リスク、シャープ比率で比較される。
• 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: This paper presents a comparative analysis of the performances of three portfolio optimization approaches. Three approaches of portfolio optimization that are considered in this work are the mean-variance portfolio (MVP), hierarchical risk parity (HRP) portfolio, and reinforcement learning-based portfolio. The portfolios are trained and tested over several stock data and their performances are compared on their annual returns, annual risks, and Sharpe ratios. In the reinforcement learning-based portfolio design approach, the deep Q learning technique has been utilized. Due to the large number of possible states, the construction of the Q-table is done using a deep neural network. The historical prices of the 50 premier stocks from the Indian stock market, known as the NIFTY50 stocks, and several stocks from 10 important sectors of the Indian stock market are used to create the environment for training the agent.
• Abstract（参考訳）: 本稿では,3つのポートフォリオ最適化手法の性能の比較分析を行う。 この作業で考慮されるポートフォリオ最適化の3つのアプローチは、平均分散ポートフォリオ(MVP)、階層的リスクパリティ(HRP)ポートフォリオ、強化学習ベースのポートフォリオである。 ポートフォリオはトレーニングされ、いくつかのストックデータ上でテストされ、パフォーマンスは年間リターン、年間リスク、シャープ比で比較される。 強化学習に基づくポートフォリオ設計アプローチでは、深層学習技術が活用されている。 多くの可能な状態のため、Qテーブルの構築はディープニューラルネットワークを用いて行われる。 NIFTY50として知られるインド株式市場の主要50銘柄の歴史的価格と、インド株式市場の重要な10分野のいくつかの銘柄は、エージェントを訓練するための環境を作成するために使用される。

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)
• 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)
• HireVAE: An Online and Adaptive Factor Model Based on Hierarchical and Regime-Switch VAE [113.47287249524008]
  オンラインで適応的な環境で株価予測を行うファクターモデルを構築することは、依然としてオープンな疑問である。 本稿では,オンラインおよび適応型要素モデルであるHireVAEを,市場状況とストックワイド潜在要因の関係を埋め込んだ階層型潜在空間として提案する。 4つの一般的な実市場ベンチマークにおいて、提案されたHireVAEは、以前の手法よりもアクティブリターンの点で優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2023-06-05T12:58:13Z)
• 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)
• A Comparative Study of Hierarchical Risk Parity Portfolio and Eigen Portfolio on the NIFTY 50 Stocks [1.5773159234875098]
  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。
  論文  参考訳（メタデータ） (2022-10-03T14:51:24Z)
• Precise Stock Price Prediction for Robust Portfolio Design from Selected Sectors of the Indian Stock Market [0.0]
  私たちは、選択した5つのセクターすべてに対して、最小限の分散ポートフォリオと最適なリスクポートフォリオを構築しました。 最小分散ポートフォリオと等しい重量ポートフォリオを持つ最適リスクポートフォリオの比較研究は、バックテストによって行われます。
  論文  参考訳（メタデータ） (2022-01-14T17:24:19Z)
• 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)
• 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。