論文の概要: ChatGPT-based Investment Portfolio Selection
- arxiv url: http://arxiv.org/abs/2308.06260v1
- Date: Fri, 11 Aug 2023 17:48:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-14 13:15:56.285623
- Title: ChatGPT-based Investment Portfolio Selection
- Title（参考訳）: ChatGPTに基づく投資ポートフォリオ選択
- Authors: Oleksandr Romanko, Akhilesh Narayan, Roy H. Kwon
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 21.24186888129542
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we explore potential uses of generative AI models, such as
ChatGPT, for investment portfolio selection. Trusting investment advice from
Generative Pre-Trained Transformer (GPT) models is a challenge due to model
"hallucinations", necessitating careful verification and validation of the
output. Therefore, we take an alternative approach. We use ChatGPT to obtain a
universe of stocks from S&P500 market index that are potentially attractive for
investing. Subsequently, we compared various portfolio optimization strategies
that utilized this AI-generated trading universe, evaluating those against
quantitative portfolio optimization models as well as comparing to some of the
popular investment funds. Our findings indicate that ChatGPT is effective in
stock selection but may not perform as well in assigning optimal weights to
stocks within the portfolio. But when stocks selection by ChatGPT is combined
with established portfolio optimization models, we achieve even better results.
By blending strengths of AI-generated stock selection with advanced
quantitative optimization techniques, we observed the potential for more robust
and favorable investment outcomes, suggesting a hybrid approach for more
effective and reliable investment decision-making in the future.
- Abstract（参考訳）: 本稿では,投資ポートフォリオ選択におけるchatgptなどの生成型aiモデルの潜在的利用について検討する。
Generative Pre-Trained Transformer (GPT) モデルからの投資アドバイスを信頼することは、モデル "幻覚" による課題であり、出力の慎重な検証と検証が必要である。
したがって、我々は別のアプローチを取る。
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。
その後、我々は、このAI生成トレーディング宇宙を利用した様々なポートフォリオ最適化戦略を比較し、定量ポートフォリオ最適化モデルと比較し、人気のある投資ファンドと比較した。
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。
しかし、ChatGPTによる在庫選択と既存のポートフォリオ最適化モデルを組み合わせると、より優れた結果が得られる。
ai生成株選択の強みと高度な定量的最適化手法を組み合わせることで、より堅牢で好ましい投資成果の可能性を見出し、将来より効果的で信頼できる投資意思決定のためのハイブリッドアプローチを提案する。
関連論文リスト
- DeepClair: Utilizing Market Forecasts for Effective Portfolio Selection [29.43115584494825]
ポートフォリオ選択のための新しいフレームワークであるDeepClairを紹介します。
DeepClairは、トランスフォーマーベースの時系列予測モデルを活用して、市場のトレンドを予測する。
論文 参考訳（メタデータ） (2024-07-18T11:51:03Z) - 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, Portfolio Temporal Graph Network Recommenderを提案する。
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) - End-to-End Learning for Fair Multiobjective Optimization Under
Uncertainty [55.04219793298687]
機械学習における予測-Then-Forecast(PtO)パラダイムは、下流の意思決定品質を最大化することを目的としている。
本稿では,PtO法を拡張して,OWA(Nondifferentiable Ordered Weighted Averaging)の目的を最適化する。
この結果から,不確実性の下でのOWA関数の最適化とパラメトリック予測を効果的に統合できることが示唆された。
論文 参考訳（メタデータ） (2024-02-12T16:33:35Z) - 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) - 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) - 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) - 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) - 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 for Portfolio Optimization [5.833272638548154]
個々の資産を選択する代わりに、ポートフォリオを形成するために市場指標のETF(Exchange-Traded Funds)を交換します。
我々は,本手法を広範囲のアルゴリズムと比較し,本モデルがテスト期間中に最高の性能を得ることを示す。
論文 参考訳（メタデータ） (2020-05-27T21:28:43Z)
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。