Fugu-MT 論文翻訳(概要): Deep Reinforcement Learning for Robust Goal-Based Wealth Management

論文の概要: Deep Reinforcement Learning for Robust Goal-Based Wealth Management

arxiv url: http://arxiv.org/abs/2307.13501v1
Date: Tue, 25 Jul 2023 13:51:12 GMT
ステータス: 処理完了
システム内更新日: 2023-07-26 16:57:20.062184
Title: Deep Reinforcement Learning for Robust Goal-Based Wealth Management
Title（参考訳）: 強固な目標に基づく富管理のための深層強化学習
Authors: Tessa Bauman, Bruno Ga\v{s}perov, Stjepan Begu\v{s}i\'c, and Zvonko Kostanj\v{c}ar
Abstract要約: ゴールベースの投資は、特定の財政目標を達成することを優先する富管理へのアプローチである。強化学習は、シーケンシャルな意思決定に適した機械学習技術である。本稿では, 深層強化学習に基づくロバストな目標ベース富管理手法を提案する。
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: Goal-based investing is an approach to wealth management that prioritizes achieving specific financial goals. It is naturally formulated as a sequential decision-making problem as it requires choosing the appropriate investment until a goal is achieved. Consequently, reinforcement learning, a machine learning technique appropriate for sequential decision-making, offers a promising path for optimizing these investment strategies. In this paper, a novel approach for robust goal-based wealth management based on deep reinforcement learning is proposed. The experimental results indicate its superiority over several goal-based wealth management benchmarks on both simulated and historical market data.
Abstract（参考訳）: ゴールベースの投資は、特定の財政目標を達成することを優先する富管理へのアプローチである。目標が達成されるまで適切な投資を選択する必要があるため、逐次的な意思決定問題として自然に定式化される。その結果、逐次意思決定に適した機械学習技術である強化学習は、これらの投資戦略を最適化するための有望な道を提供する。本稿では,深層強化学習に基づく強固な目標ベースの富管理手法を提案する。実験の結果, 市場データと市場データの両方において, 目標ベースの富管理ベンチマークが優れていることが示された。

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)
Which Matters Most in Making Fund Investment Decisions? A Multi-granularity Graph Disentangled Learning Framework [47.308959396996606]
我々は,投資商品の知的マッチングを効果的に行うため,MGDLという新しいM言語グラニュラリティグラフ分散学習フレームワークを開発した。特定のセマンティクスでより強い非絡み合い表現を実現するため、MGDLは2つの自己監督信号、すなわちファンドタイプのコントラストとファンドの人気を明示的に含んでいる。
論文参考訳（メタデータ） (2023-11-23T09:08:43Z)
Causal Inference on Investment Constraints and Non-stationarity in Dynamic Portfolio Optimization through Reinforcement Learning [0.0]
我々は,強化学習技術を用いた動的資産配分投資戦略を開発した。我々は、金融時系列データの非定常性を強化学習アルゴリズムに組み込むという重要な課題に対処してきた。投資戦略における強化学習の適用は、最適化問題を柔軟に設定する際、顕著な利点をもたらす。
論文参考訳（メタデータ） (2023-11-08T07:55:51Z)
Optimizing Credit Limit Adjustments Under Adversarial Goals Using Reinforcement Learning [42.303733194571905]
我々は、強化学習技術を用いて最適なクレジットカード制限調整ポリシーを発見し、自動化することを模索する。本研究は、信用限度調整に強化学習フレームワークを適用するための概念構造を確立する。
論文参考訳（メタデータ） (2023-06-27T16:10:36Z)
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)
Discrete Factorial Representations as an Abstraction for Goal Conditioned Reinforcement Learning [99.38163119531745]
離散化ボトルネックを適用することにより,目標条件付きRLセットアップの性能が向上することを示す。分布外目標に対する期待した回帰を実験的に証明し、同時に表現的な構造で目標を指定できるようにします。
論文参考訳（メタデータ） (2022-11-01T03:31:43Z)
Asset Allocation: From Markowitz to Deep Reinforcement Learning [2.0305676256390934]
資産配分とは、ポートフォリオの資産を常に再分配することでリスクと報酬のバランスをとることを目的とした投資戦略である。我々は、多くの最適化手法の有効性と信頼性を決定するために、広範囲なベンチマーク研究を行う。
論文参考訳（メタデータ） (2022-07-14T14:44:04Z)
Embracing advanced AI/ML to help investors achieve success: Vanguard Reinforcement Learning for Financial Goal Planning [0.0]
強化学習(Reinforcement learning)は、複雑なデータセットに使用できる機械学習アプローチである。我々は、金融予測、経済指標の予測、貯蓄戦略の作成における機械学習の利用について検討する。
論文参考訳（メタデータ） (2021-10-18T18:46:20Z)
Automatic Curriculum Learning through Value Disagreement [95.19299356298876]
新しい未解決タスクを継続的に解決することが、多様な行動を学ぶための鍵です。エージェントが複数の目標を達成する必要があるマルチタスク領域では、トレーニング目標の選択はサンプル効率に大きな影響を与える可能性がある。そこで我々は,エージェントが解決すべき目標のための自動カリキュラムを作成することを提案する。提案手法は,13のマルチゴールロボットタスクと5つのナビゲーションタスクにまたがって評価し,現在の最先端手法よりも高い性能を示す。
論文参考訳（メタデータ） (2020-06-17T03:58:25Z)
Cost-Sensitive Portfolio Selection via Deep Reinforcement Learning [100.73223416589596]
深層強化学習を用いたコスト依存型ポートフォリオ選択手法を提案する。具体的には、価格系列パターンと資産相関の両方を抽出するために、新しい2ストリームポートフォリオポリシーネットワークを考案した。蓄積したリターンを最大化し、強化学習によるコストの両立を抑えるため、新たなコスト感受性報酬関数が開発された。
論文参考訳（メタデータ） (2020-03-06T06:28:17Z)

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。