論文の概要: Constructing Time-Series Momentum Portfolios with Deep Multi-Task
Learning
- arxiv url: http://arxiv.org/abs/2306.13661v1
- Date: Thu, 8 Jun 2023 13:04:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-02 13:45:21.543159
- Title: Constructing Time-Series Momentum Portfolios with Deep Multi-Task
Learning
- Title(参考訳): 深層マルチタスク学習による時系列モーメントポートフォリオの構築
- Authors: Joel Ong, Dorien Herremans
- Abstract要約: 本稿では、ポートフォリオ構築とボラティリティに関連する様々な補助的タスクを共同で学習するディープニューラルネットワークアーキテクチャにおいて、Multi-Task Learning(MTL)を用いた新しいアプローチを提案する。
最大3点までの取引コストを考慮に入れたとしても,既存のTSMOM戦略よりも優れていることを示す。
- 参考スコア(独自算出の注目度): 5.88864611435337
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: A diversified risk-adjusted time-series momentum (TSMOM) portfolio can
deliver substantial abnormal returns and offer some degree of tail risk
protection during extreme market events. The performance of existing TSMOM
strategies, however, relies not only on the quality of the momentum signal but
also on the efficacy of the volatility estimator. Yet many of the existing
studies have always considered these two factors to be independent. Inspired by
recent progress in Multi-Task Learning (MTL), we present a new approach using
MTL in a deep neural network architecture that jointly learns portfolio
construction and various auxiliary tasks related to volatility, such as
forecasting realized volatility as measured by different volatility estimators.
Through backtesting from January 2000 to December 2020 on a diversified
portfolio of continuous futures contracts, we demonstrate that even after
accounting for transaction costs of up to 3 basis points, our approach
outperforms existing TSMOM strategies. Moreover, experiments confirm that
adding auxiliary tasks indeed boosts the portfolio's performance. These
findings demonstrate that MTL can be a powerful tool in finance.
- Abstract(参考訳): 多様なリスク調整時系列モメンタム(tsmom)ポートフォリオは、異常なリターンをもたらし、極端な市場イベントの間、ある程度のテールリスク保護を提供することができる。
しかし、既存のTSMOM戦略の性能は、運動量信号の品質だけでなく、ボラティリティ推定器の有効性にも依存している。
しかし、既存の研究の多くは、これらの2つの要因が独立であると考えている。
MTL(Multi-Task Learning)の最近の進歩に触発された我々は、ポートフォリオ構築とボラティリティに関連する様々な補助的タスクを共同で学習するディープニューラルネットワークアーキテクチャにおいて、MTLを用いた新しいアプローチを提案する。
2000年1月から2020年12月までのバックテストを通じて、最大3ポイントの取引コストを考慮に入れたとしても、既存のTSMOM戦略よりも優れていることを示す。
さらに、補助的なタスクを追加することでポートフォリオのパフォーマンスが向上することが実験で確認されている。
これらの結果は、MTLが金融の強力なツールであることを示している。
関連論文リスト
- Developing A Multi-Agent and Self-Adaptive Framework with Deep
Reinforcement Learning for Dynamic Portfolio Risk Management [1.3505077405741583]
ポートフォリオ全体のリターンと潜在的なリスクの間のトレードオフのバランスをとるために,マルチエージェント強化学習(RL)アプローチを提案する。
得られた実験結果から,提案したMASAフレームワークの有効性が明らかとなった。
論文 参考訳(メタデータ) (2024-02-01T11:31:26Z) - 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) - Spatio-Temporal Momentum: Jointly Learning Time-Series and
Cross-Sectional Strategies [3.351714665243138]
我々は, 時間的・時間的モーメント戦略を導入し, 時間とともにその断続的なモーメント特性に基づいて, 取引資産による時間的・断続的なモーメント戦略を統一する。
このモデルでは,高トランザクションコストの存在下で,ベンチマークよりもパフォーマンスを維持可能であることを実証する。
特に、最小限の縮小とターンオーバー正規化と組み合わせた場合、さまざまなトランザクションコストシナリオに対して最高のパフォーマンスが得られることが判明した。
論文 参考訳(メタデータ) (2023-02-20T18:59:05Z) - 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) - Quantitative Stock Investment by Routing Uncertainty-Aware Trading
Experts: A Multi-Task Learning Approach [29.706515133374193]
既存のディープラーニング手法はランダムなシードやネットワークルータに敏感であることを示す。
本稿では,成功した取引会社の効果的なボトムアップトレーディング戦略設計ワークフローを模倣する,量的投資のための新しい2段階混成(MoE)フレームワークを提案する。
AlphaMixは4つの財務基準において、最先端のベースラインを大きく上回っている。
論文 参考訳(メタデータ) (2022-06-07T08:58:00Z) - Multi-Task Learning as a Bargaining Game [63.49888996291245]
マルチタスク学習(MTL)では、複数のタスクを同時に予測するためにジョイントモデルを訓練する。
これらの異なるタスクの勾配が矛盾する可能性があるため、MTLのジョイントモデルを訓練すると、対応するシングルタスクモデルよりも低いパフォーマンスが得られる。
本稿では,パラメータ更新のジョイント方向で合意に達するためのタスクを交渉する交渉ゲームとして,勾配の組み合わせステップを考察する。
論文 参考訳(メタデータ) (2022-02-02T13:21:53Z) - Softmax with Regularization: Better Value Estimation in Multi-Agent
Reinforcement Learning [72.28520951105207]
q$-learningの過大評価は、シングルエージェント強化学習で広く研究されている重要な問題である。
ベースラインから逸脱する大きな関節動作値をペナライズする,新たな正規化ベースの更新方式を提案する。
本手法は,StarCraft IIマイクロマネジメントの課題に対して,一貫した性能向上を実現する。
論文 参考訳(メタデータ) (2021-03-22T14:18:39Z) - A Modularized and Scalable Multi-Agent Reinforcement Learning-based
System for Financial Portfolio Management [7.6146285961466]
金融ポートフォリオマネジメントは強化学習(RL)において最も適用可能な問題の1つである
MSPMは、ポートフォリオ管理のためのモジュール化されたスケーラブルなアーキテクチャを備えた、新しいマルチエージェント強化学習ベースシステムである。
8年にわたる米株式市場のデータの実験は、MSPMが既存のベンチマークを上回るパフォーマンスで蓄積した利益がMSPMの有効性を証明している。
論文 参考訳(メタデータ) (2021-02-06T04:04:57Z) - Learning Risk Preferences from Investment Portfolios Using Inverse
Optimization [25.19470942583387]
本稿では,既存ポートフォリオからのリスク嗜好を逆最適化を用いて測定する手法を提案する。
我々は、20年間の資産価格と10年間の相互ファンドポートフォリオ保有からなる実市場データについて、本手法を実証する。
論文 参考訳(メタデータ) (2020-10-04T21:29:29Z) - Reparameterized Variational Divergence Minimization for Stable Imitation [57.06909373038396]
確率的発散の選択における変動が、より高性能なILOアルゴリズムをもたらす可能性について検討する。
本稿では,提案する$f$-divergence最小化フレームワークの課題を軽減するために,逆模倣学習のための再パラメータ化手法を提案する。
経験的に、我々の設計選択は、ベースラインアプローチより優れ、低次元連続制御タスクにおける専門家のパフォーマンスとより密に適合するIOOアルゴリズムを許容することを示した。
論文 参考訳(メタデータ) (2020-06-18T19:04:09Z) - 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)
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。