論文の概要: Mean-Variance Efficient Collaborative Filtering for Stock Recommendation
- arxiv url: http://arxiv.org/abs/2306.06590v2
- Date: Thu, 07 Aug 2025 03:12:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-08 21:11:55.44752
- Title: Mean-Variance Efficient Collaborative Filtering for Stock Recommendation
- Title（参考訳）: ストックレコメンデーションにおける平均変動効率の協調フィルタリング
- Authors: Munki Chung, Junhyeong Lee, Yongjae Lee, Woo Chang Kim,
- Abstract要約: ストックレコメンデーションのための平均分散効率的な協調フィルタリング(MVECF)モデルを提案する。
我々のモデルは、リスク(リターンのばらつき)とリターン(リターン)のトレードオフにおいて、株価の不確実性を体系的に扱うことにより、パレート最適性を改善するように設計されている。
- 参考スコア（独自算出の注目度）: 25.72157859795055
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The rise of FinTech has transformed financial services onto online platforms, yet stock investment recommender systems have received limited attention compared to other industries. Personalized stock recommendations can significantly impact customer engagement and satisfaction within the industry. However, traditional investment recommendations focus on high-return stocks or highly diversified portfolios based on the modern portfolio theory, often neglecting user preferences. On the other hand, collaborative filtering (CF) methods also may not be directly applicable to stock recommendations, because it is inappropriate to just recommend stocks that users like. The key is to optimally blend users preference with the portfolio theory. However, research on stock recommendations within the recommender system domain remains comparatively limited, and no existing model considers both the preference of users and the risk-return characteristics of stocks. In this regard, we propose a mean-variance efficient collaborative filtering (MVECF) model for stock recommendations that consider both aspects. Our model is specifically designed to improve the pareto optimality (mean-variance efficiency) in a trade-off between the risk (variance of return) and return (mean return) by systemically handling uncertainties in stock prices. Such improvements are incorporated into the MVECF model using regularization, and the model is restructured to fit into the ordinary matrix factorization scheme to boost computational efficiency. Experiments on real-world fund holdings data show that our model can increase the mean-variance efficiency of suggested portfolios while sacrificing just a small amount of mean average precision and recall. Finally, we further show MVECF is easily applicable to the state-of-the-art graph-based ranking models.
- Abstract（参考訳）: FinTechの興隆は金融サービスをオンラインプラットフォームに転換させたが、ストック投資レコメンデーターシステムは他の業界と比べてあまり注目されていない。
パーソナライズされた株式レコメンデーションは、業界内の顧客のエンゲージメントと満足度に大きな影響を及ぼす可能性がある。
しかし、伝統的な投資推奨は、高リターン株や、現代のポートフォリオ理論に基づく高度に多様化したポートフォリオに焦点を当てており、しばしばユーザーの好みを無視している。
一方、コラボレーティブ・フィルタリング(CF)メソッドは、単にユーザーが好むストックを推薦するのは不適切であるため、ストックレコメンデーションに直接適用できない可能性がある。
鍵となるのは、ユーザー好みとポートフォリオ理論を最適にブレンドすることだ。
しかし、リコメンデータシステム領域におけるストックレコメンデーションの研究は比較的限定的であり、既存のモデルではユーザーの好みと在庫のリスク・リターン特性の両方を考慮していない。
本稿では,両側面を考慮に入れたストックレコメンデーションのための平均分散効率的な協調フィルタリング(MVECF)モデルを提案する。
我々のモデルは、リスク(リターンの分散)とリターン(リターン)のトレードオフにおけるパレート最適性(平均分散効率)を、株価の不確実性に体系的に対処することによって改善するように設計されている。
このような改善は正規化を用いてMVECFモデルに組み込まれ、通常の行列分解方式に適合するように再構成され、計算効率が向上する。
実世界のファンド保有データを用いた実験では、提案ポートフォリオの平均分散効率を向上しつつ、最小限の平均精度とリコールを犠牲にしつつ、提案ポートフォリオの平均分散効率を向上できることが示された。
最後に、MVECFは最先端のグラフベースのランキングモデルに容易に適用可能であることを示す。
関連論文リスト
- $\ ext{R}^2\ ext{ec}$: Towards Large Recommender Models with Reasoning [50.291998724376654]
我々は,本質的な推論機能を備えた統合された大規模レコメンデータモデルであるnameを提案する。
RecPOは、単一のポリシー更新で推論とレコメンデーションの両方の機能を同時に最適化する、対応する強化学習フレームワークである。
さまざまなベースラインを持つ3つのデータセットの実験では、Hit@5で68.67%、NDCG@20で45.21%の相対的な改善が見られた。
論文 参考訳（メタデータ） (2025-05-22T17:55:43Z) - Your Offline Policy is Not Trustworthy: Bilevel Reinforcement Learning for Sequential Portfolio Optimization [82.03139922490796]
強化学習(Reinforcement Learning, RL)は、過去のデータを用いたリスクを最小限にしつつ累積リターンを最大化することを目的とした、株式取引のような逐次的ポートフォリオ最適化タスクにおいて、大きな可能性を示してきた。
従来のRLアプローチは、固定データセット内での振る舞いの購入と販売を最適に記憶するだけのポリシーを生成することが多い。
当社のアプローチでは,ポートフォリオ最適化を新たなタイプの部分オフラインRL問題として捉え,2つの技術的貢献を行う。
論文 参考訳（メタデータ） (2025-05-19T06:37:25Z) - Deep Reinforcement Learning for Investor-Specific Portfolio Optimization: A Volatility-Guided Asset Selection Approach [2.2835610890984164]
本研究では,投資家のリスクプロファイルに基づいてポートフォリオを動的に構築するボラティリティ誘導型ポートフォリオ最適化フレームワークを提案する。
提案手法の有効性はダウ30ドル指数の株を用いて確立された。
論文 参考訳（メタデータ） (2025-04-20T10:17:37Z) - Optimizing Portfolio Performance through Clustering and Sharpe Ratio-Based Optimization: A Comparative Backtesting Approach [0.0]
本稿では,クラスタリングに基づくポートフォリオセグメンテーションとシャープ比に基づく最適化を組み合わせることで,投資意思決定を向上させるためのバックテスト手法を提案する。
我々は、K-Meansクラスタリングを用いた過去のログリターンに基づいて、さまざまな金融資産をクラスタに分割する。
各クラスタに対して、リスク調整されたリターンを最大化する最適な重み付けを導出するためにシャープ比に基づく最適化モデルを適用する。
論文 参考訳（メタデータ） (2025-01-21T12:00:52Z) - Conformal Predictive Portfolio Selection [10.470114319701576]
共形予測による予測ポートフォリオ選択のためのフレームワークを提案する。
提案手法は,将来のポートフォリオのリターンを予測し,対応する予測インターバルを計算し,これらのインターバルに基づいて興味のポートフォリオを選択する。
本稿では,ARモデルに適用することでCPPSフレームワークの有効性を実証し,実証実験によりその性能を検証した。
論文 参考訳（メタデータ） (2024-10-19T15:42:49Z) - Provably Mitigating Overoptimization in RLHF: Your SFT Loss is Implicitly an Adversarial Regularizer [52.09480867526656]
人間の嗜好を学習する際の分布変化と不確実性の一形態として,不一致の原因を同定する。
過度な最適化を緩和するために、まず、逆選択された報酬モデルに最適なポリシーを選択する理論アルゴリズムを提案する。
報奨モデルとそれに対応する最適ポリシーの等価性を用いて、優先最適化損失と教師付き学習損失を組み合わせた単純な目的を特徴とする。
論文 参考訳（メタデータ） (2024-05-26T05:38:50Z) - Multi-Reference Preference Optimization for Large Language Models [56.84730239046117]
複数の参照モデルを用いた直接選好最適化のための新しいクローズドフォームの定式化を提案する。
得られたアルゴリズムであるMulti-Reference Preference Optimization (MRPO)は、様々な参照モデルからより広範な事前知識を活用する。
MRPOを微調整したLLMは,データ不足や多量性に関わらず,様々な嗜好データにおいてより一般化されていることを示す。
論文 参考訳（メタデータ） (2024-05-26T00:29:04Z) - Stock Recommendations for Individual Investors: A Temporal Graph Network Approach with Mean-Variance Efficient Sampling [27.770653904666776]
個々の投資家は確立した投資理論を無視し、代わりに個人的な好みを好んだ。
これは、強い投資実績を提供するだけでなく、これらの個人の嗜好を尊重する株式レコメンデーションシステムにとっての課題である。
PfoTGNRecは,時間変化による協調的な信号の処理や,多様化型サンプリングを取り入れた新しいモデルである。
論文 参考訳（メタデータ） (2024-03-27T07:17:55Z) - 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) - ChatGPT-based Investment Portfolio Selection [21.24186888129542]
投資ポートフォリオの選択において、ChatGPTのような生成AIモデルの可能性を探る。
私たちはChatGPTを使って、投資に魅力的なS&P500市場指数から株式の宇宙を得ています。
以上の結果から,ChatGPTは株式選択に有効であるが,ポートフォリオ内の株式に最適な重み付けを割り当てるには適さない可能性が示唆された。
論文 参考訳（メタデータ） (2023-08-11T17:48:17Z) - 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) - Fuzzy Expert System for Stock Portfolio Selection: An Application to
Bombay Stock Exchange [0.0]
ボンベイ証券取引所(BSE)の株式評価と格付けのためにファジィエキスパートシステムモデルが提案されている。
このモデルの性能は、最近の株のパフォーマンスと比較すると、短期的な投資期間で十分であることが判明した。
論文 参考訳（メタデータ） (2022-04-28T10:01:15Z) - Providing reliability in Recommender Systems through Bernoulli Matrix
Factorization [63.732639864601914]
本稿では,予測値と信頼性値の両方を提供するためにBernoulli Matrix Factorization (BeMF)を提案する。
BeMFはメモリベースのフィルタリングではなく、モデルベースの協調フィルタリングに作用する。
予測の信頼性が高ければ高いほど、それが間違っているという責任は少なくなる。
論文 参考訳（メタデータ） (2020-06-05T14:24:27Z)
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。