論文の概要: Sparse Index Tracking: Simultaneous Asset Selection and Capital
Allocation via $\ell_0$-Constrained Portfolio
- arxiv url: http://arxiv.org/abs/2309.10152v2
- Date: Wed, 20 Sep 2023 12:16:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-21 18:26:02.211404
- Title: Sparse Index Tracking: Simultaneous Asset Selection and Capital
Allocation via $\ell_0$-Constrained Portfolio
- Title（参考訳）: Sparse Index Tracking:$\ell_0$-Constrained Portfolioによる同時資産選定と資本配分
- Authors: Eisuke Yamagata and Shunsuke Ono
- Abstract要約: スパースポートフォリオは、取引コストの削減と不正資産の回避の観点から、完全なポートフォリオよりも望ましい。
本稿では,$ell_p$-norm制約を用いたスパースインデックストラッキングの新しい問題式を提案する。
私たちの定式化によって、ポートフォリオのスパーシリティとターンオーバーのスパーシリティの制約を選択できます。
- 参考スコア（独自算出の注目度）: 8.941102077614788
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Sparse index tracking is one of the prominent passive portfolio management
strategies that construct a sparse portfolio to track a financial index. A
sparse portfolio is desirable over a full portfolio in terms of transaction
cost reduction and avoiding illiquid assets. To enforce the sparsity of the
portfolio, conventional studies have proposed formulations based on
$\ell_p$-norm regularizations as a continuous surrogate of the $\ell_0$-norm
regularization. Although such formulations can be used to construct sparse
portfolios, they are not easy to use in actual investments because parameter
tuning to specify the exact upper bound on the number of assets in the
portfolio is delicate and time-consuming. In this paper, we propose a new
problem formulation of sparse index tracking using an $\ell_0$-norm constraint
that enables easy control of the upper bound on the number of assets in the
portfolio. In addition, our formulation allows the choice between portfolio
sparsity and turnover sparsity constraints, which also reduces transaction
costs by limiting the number of assets that are updated at each rebalancing.
Furthermore, we develop an efficient algorithm for solving this problem based
on a primal-dual splitting method. Finally, we illustrate the effectiveness of
the proposed method through experiments on the S\&P500 and NASDAQ100 index
datasets.
- Abstract（参考訳）: スパース指数の追跡は、金融指標を追跡するためのスパースポートフォリオを構築する主要なパッシブポートフォリオ管理戦略の1つである。
スパースポートフォリオは、取引コストの削減と不正資産の回避の観点から、完全なポートフォリオよりも望ましい。
ポートフォリオのスパーシリティを強制するために、従来の研究は$\ell_p$-norm正規化を$\ell_0$-norm正規化の連続代用として定式化することを提案した。
このような定式化はスパースポートフォリオの構築に使用することができるが、ポートフォリオ内の資産の正確な上限を特定するパラメータチューニングが繊細で時間を要するため、実際の投資での使用は容易ではない。
本稿では,ポートフォリオの資産数に対する上限値の制御を容易にするために,$\ell_0$-norm制約を用いたスパースインデックストラッキングの新たな問題式を提案する。
さらに,ポートフォリオススパーシティとターンオーバーススパーシティ制約の選択が可能であり,各リバランシング時に更新される資産数を制限することでトランザクションコストを低減できる。
さらに,本手法を主成分分割法に基づく効率的な解法を開発した。
最後に,提案手法の有効性をS\&P500およびNASDAQ100インデックスデータセットを用いて検証した。
関連論文リスト
- Simplex Decomposition for Portfolio Allocation Constraints in Reinforcement Learning [4.1573460459258245]
本稿では,制約作用空間を非制約配置問題に分解した上で,アロケーション制約に対処する新しい手法を提案する。
本稿では、タスクのアクション空間が分解されたアクション空間と等価であることを示し、新しい強化学習(RL)アプローチCAOSDを導入する。
論文 参考訳（メタデータ） (2024-04-16T16:00:59Z) - Onflow: an online portfolio allocation algorithm [0.0]
ポートフォリオ割り当てポリシーのオンライン最適化を可能にする強化学習手法であるOnflowを紹介する。
ログ正規資産の場合、トランザクションコストがゼロのOnflowが学んだ戦略は、Markowitzの最適ポートフォリオを模倣している。
オンフローは、他の動的アロケーション技術がもはや機能しないレギュレーションにおいて、効率的であり続けることができる。
論文 参考訳（メタデータ） (2023-12-08T16:49:19Z) - 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) - Uniswap Liquidity Provision: An Online Learning Approach [49.145538162253594]
分散取引所(DEX)は、テクノロジーを活用した新しいタイプのマーケットプレイスである。
そのようなDECの1つ、Unixwap v3は、流動性プロバイダが資金のアクティブな価格間隔を指定することで、より効率的に資金を割り当てることを可能にする。
これにより、価格間隔を選択するための最適な戦略を見出すことが問題となる。
我々は、この問題を非確率的な報酬を伴うオンライン学習問題として定式化する。
論文 参考訳（メタデータ） (2023-02-01T17:21:40Z) - Quantization for decentralized learning under subspace constraints [61.59416703323886]
エージェントがサブスペース制約を最小化するために個々のコスト関数を持つ分散最適化問題を考察する。
本稿では,エージェントが確率化量子化器を用いて推定値を圧縮する適応分散型戦略を提案し,検討する。
この分析は、量子化ノイズのいくつかの一般的な条件下では、平均二乗誤差と平均ビットレートの両方で戦略が安定であることを示している。
論文 参考訳（メタデータ） (2022-09-16T09:38:38Z) - A Unifying Framework for Online Optimization with Long-Term Constraints [62.35194099438855]
我々は,意思決定者が長期的制約の対象となる一連の意思決定をしなければならないオンライン学習問題について検討する。
目標は、全報酬を最大化し、同時に、$T$ラウンド全体で小さな累積違反を達成することである。
本稿では,この一般クラス問題に対して,未知のモデルに基づいて報酬と制約が選択された場合と,各ラウンドで敵が選択した場合の双方において,最良世界型アルゴリズムを提示する。
論文 参考訳（メタデータ） (2022-09-15T16:59:19Z) - Financial Index Tracking via Quantum Computing with Cardinality
Constraints [1.3854111346209868]
実世界の資産管理において重要な非線形濃度制約を量子ポートフォリオに適用する方法を実証する。
提案手法を応用して,イノベーティブな問題指標追跡ポートフォリオを作成する。
論文 参考訳（メタデータ） (2022-08-24T08:59:19Z) - Quantum Portfolio Optimization with Investment Bands and Target
Volatility [0.0]
ポートフォリオ最適化問題に対する複雑な実生活制約を簡単な方法で実装する方法を示す。
我々は、個々の投資バンド、すなわち、各資産に対して最小限および最大限の投資を行う方法を示す。
本研究は,現在のNISQ量子プロセッサにおいて,定量的ファイナンスにおける日々の現実的な制約をいかに簡単に実装できるかを示すものである。
論文 参考訳（メタデータ） (2021-06-12T10:17:17Z) - Nearly Dimension-Independent Sparse Linear Bandit over Small Action
Spaces via Best Subset Selection [71.9765117768556]
本研究では,高次元線形モデルの下での文脈的帯域問題について考察する。
この設定は、パーソナライズされたレコメンデーション、オンライン広告、パーソナライズされた医療など、不可欠な応用を見出す。
本稿では,最適部分集合選択法を用いて2重成長エポックを推定する手法を提案する。
論文 参考訳（メタデータ） (2020-09-04T04:10:39Z) - TPLVM: Portfolio Construction by Student's $t$-process Latent Variable
Model [3.5408022972081694]
我々は,低次元の潜伏変数による財務時系列の非ガウス的変動を記述するために,学生のTPLVM($t$-process latent variable model)を提案する。
これらのポートフォリオを比較することで、提案されたポートフォリオが既存のガウスプロセス潜在変数モデルよりも優れていることを確認した。
論文 参考訳（メタデータ） (2020-01-29T02:02:02Z)
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。