論文の概要: Model-Free Market Risk Hedging Using Crowding Networks

• arxiv url: http://arxiv.org/abs/2306.08105v1
• Date: Tue, 13 Jun 2023 19:50:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-16 23:02:59.766855
• Title: Model-Free Market Risk Hedging Using Crowding Networks
• Title（参考訳）: クラウドネットワークを用いたモデルフリー市場リスクヘッジ
• Authors: Vadim Zlotnikov, Jiayu Liu, Igor Halperin, Fei He, Lisa Huang
• Abstract要約: 群集はポートフォリオ戦略を設計する上で最も重要なリスク要因の1つだと考えられている。 本研究は,株式の集団化スコアの算出に使用されるファンド保有のネットワーク分析を用いて,株式の集団化分析を行う。 本手法は,コストのかかるオプションベースの戦略や複雑な数値最適化を必要としない,テールリスクを含むポートフォリオリスクの代替手段を提供する。
• 参考スコア（独自算出の注目度）: 1.4786952412297811
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Crowding is widely regarded as one of the most important risk factors in designing portfolio strategies. In this paper, we analyze stock crowding using network analysis of fund holdings, which is used to compute crowding scores for stocks. These scores are used to construct costless long-short portfolios, computed in a distribution-free (model-free) way and without using any numerical optimization, with desirable properties of hedge portfolios. More specifically, these long-short portfolios provide protection for both small and large market price fluctuations, due to their negative correlation with the market and positive convexity as a function of market returns. By adding our long-short portfolio to a baseline portfolio such as a traditional 60/40 portfolio, our method provides an alternative way to hedge portfolio risk including tail risk, which does not require costly option-based strategies or complex numerical optimization. The total cost of such hedging amounts to the total cost of rebalancing the hedge portfolio.
• Abstract（参考訳）: 群集はポートフォリオ戦略を設計する上で最も重要なリスク要因の1つだと考えられている。 本稿では,株式の集団化スコアの計算に使用されるファンド保有のネットワーク分析を用いて,株式の集団化分析を行う。 これらのスコアは、ヘッジファンドポートフォリオの望ましい特性を持つ数値最適化を使わずに、分散フリー(モデルフリー)で計算されたコストのないロングショートポートフォリオを構築するために使用される。 より具体的には、これらのロングショートポートフォリオは、市場との負の相関と市場のリターンの関数としての正の凸性のために、小規模および大規模な市場価格変動の保護を提供する。 従来の60/40ポートフォリオのようなベースラインポートフォリオにロングショートポートフォリオを追加することで、オプションベースの戦略や複雑な数値最適化を必要としないテールリスクを含む、ヘッジファンドポートフォリオリスクの代替手段を提供します。 このようなヘッジの総コストは、ヘッジファンドポートフォリオの再バランスの総コストに相当します。

関連論文リスト

• STORM: A Spatio-Temporal Factor Model Based on Dual Vector Quantized Variational Autoencoders for Financial Trading [55.02735046724146]
  金融取引では、ファクターモデルが資産の価格設定や過大なリターンの獲得に広く利用されている。 双対ベクトル量子化変分オートエンコーダを用いた時空間ファクトラーモデルSTORMを提案する。 ストームは時間的および空間的な視点からストックの特徴を抽出し、これらの特徴を微細で意味的なレベルで融合し整列させ、その要素を多次元の埋め込みとして表現する。
  論文  参考訳（メタデータ） (2024-12-12T17:15:49Z)
• Large-scale Time-Varying Portfolio Optimisation using Graph Attention Networks [4.2056926734482065]
  本研究では、中規模企業における30年間のデータを活用し、距離相関と三角最大フィルタグラフを用いた企業のグラフを作成する。 GATベースのモデルが生み出すポートフォリオは、すべてのベンチマークより優れており、長期にわたって他の戦略よりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2024-07-22T10:50:47Z)
• 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)
• 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)
• 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)
• Fusion of Sentiment and Asset Price Predictions for Portfolio Optimization [0.0]
  本稿では,資産に対する感情を予測するためにセマンティック・アテンション・モデルを用いる。 感情を意識したLong Short Term Memoryを通じて最適なポートフォリオを選択する。 戦略は、安定性の観点から、従来のポートフォリオ割り当て戦略を上回るものではない。
  論文  参考訳（メタデータ） (2022-03-10T23:21:12Z)
• Deep Learning Statistical Arbitrage [0.0]
  本稿では,統計的仲裁のための統一的な概念枠組みを提案し,新しいディープラーニングソリューションを開発した。 我々は、条件付き遅延資産価格要素から残余ポートフォリオとして類似資産の仲裁ポートフォリオを構築する。 我々は、これらの残余ポートフォリオの時系列信号を、最も強力な機械学習時系列ソリューションの1つを用いて抽出する。
  論文  参考訳（メタデータ） (2021-06-08T00:48:25Z)
• 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)
• Deep Stock Predictions [58.720142291102135]
  本稿では,Long Short Term Memory (LSTM) ニューラルネットワークを用いてポートフォリオ最適化を行うトレーディング戦略の設計について考察する。 次に、LSTMのトレーニングに使用する損失関数をカスタマイズし、利益を上げる。 カスタマイズされた損失関数を持つLSTMモデルは、ARIMAのような回帰ベースライン上でのトレーニングボットの性能を向上させる。
  論文  参考訳（メタデータ） (2020-06-08T23:37:47Z)
• The new methods for equity fund selection and optimal portfolio construction [3.0166620288400776]
  我々は、相互ファンドのトップホールディングスから、より小さな株式プールからロングショートポートフォリオの作り方を示す。 これらの手法は統計的証拠に基づいており、モデルの妥当性を綿密に監視し、修復戦略を作成する必要がある。
  論文  参考訳（メタデータ） (2020-04-20T08:24:12Z)

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。