Fugu-MT 論文翻訳(概要): Randomized Signature Methods in Optimal Portfolio Selection

論文の概要: Randomized Signature Methods in Optimal Portfolio Selection

arxiv url: http://arxiv.org/abs/2312.16448v1
Date: Wed, 27 Dec 2023 07:27:00 GMT
ステータス: 処理完了
システム内更新日: 2023-12-29 19:26:12.634800
Title: Randomized Signature Methods in Optimal Portfolio Selection
Title（参考訳）: 最適ポートフォリオ選択におけるランダム化署名手法
Authors: Erdinc Akyildirim, Matteo Gambara, Josef Teichmann, Syang Zhou
Abstract要約: 非線型非パラメトリックドリフト推定におけるランダム化符号法の適用に関する実証実験結果を示す。ここではランダム化署名の理論に貢献するのではなく、実際の市場データや取引コストを含む現実の環境でのポートフォリオ選択に関する実証的な知見を提示する。
参考スコア（独自算出の注目度）: 2.6490401904186758
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present convincing empirical results on the application of Randomized Signature Methods for non-linear, non-parametric drift estimation for a multi-variate financial market. Even though drift estimation is notoriously ill defined due to small signal to noise ratio, one can still try to learn optimal non-linear maps from data to future returns for the purposes of portfolio optimization. Randomized Signatures, in contrast to classical signatures, allow for high dimensional market dimension and provide features on the same scale. We do not contribute to the theory of Randomized Signatures here, but rather present our empirical findings on portfolio selection in real world settings including real market data and transaction costs.
Abstract（参考訳）: 多変量金融市場における非線形非パラメトリックドリフト推定に対するランダム化署名法の適用に関する実証的な結果を示す。ドリフト推定は、小さな信号とノイズ比のために定義されていることで悪名高いが、ポートフォリオ最適化のためにデータから将来のリターンへの最適な非線形写像を学習しようとすることができる。古典的なシグネチャとは対照的にランダム化されたシグネチャは、高次元の市場次元を可能にし、同じスケールの機能を提供する。ここではランダム化署名の理論に貢献するのではなく、実際の市場データや取引コストを含む現実の環境でのポートフォリオ選択に関する実証的な知見を提示する。

関連論文リスト

Mean-Variance Portfolio Selection in Long-Term Investments with Unknown Distribution: Online Estimation, Risk Aversion under Ambiguity, and Universality of Algorithms [0.0]
本稿では、データを徐々に、そして継続的に明らかにする視点を採用する。提案された戦略の性能は特定の市場で保証される。定常市場及びエルゴード市場では、投資中の過去の市場情報に基づいて、真の条件分布を利用するいわゆるベイズ戦略は、実証的効用、シャープ比、成長率の観点からは、ほぼ確実に、条件分布に依存しない。
論文参考訳（メタデータ） (2024-06-19T12:11:42Z)
Distribution-Free Predictive Inference under Unknown Temporal Drift [1.024113475677323]
本稿では、適応ウィンドウを選択して、そのデータを用いて予測セットを構築する戦略を提案する。提案手法は時間的ドリフトに対する適応性を示すため,鋭いカバレッジ保証を提供する。
論文参考訳（メタデータ） (2024-06-10T17:55:43Z)
Rejection via Learning Density Ratios [50.91522897152437]
拒絶による分類は、モデルを予測しないことを許容する学習パラダイムとして現れます。そこで我々は,事前学習したモデルの性能を最大化する理想的なデータ分布を求める。私たちのフレームワークは、クリーンでノイズの多いデータセットで実証的にテストされます。
論文参考訳（メタデータ） (2024-05-29T01:32:17Z)
Uncertainty for Active Learning on Graphs [70.44714133412592]
不確実性サンプリングは、機械学習モデルのデータ効率を改善することを目的とした、アクティブな学習戦略である。予測の不確実性を超えた不確実性サンプリングをベンチマークし、他のアクティブラーニング戦略に対する大きなパフォーマンスギャップを強調します。提案手法は,データ生成プロセスの観点から基幹的ベイズ不確実性推定法を開発し,不確実性サンプリングを最適クエリへ導く上での有効性を実証する。
論文参考訳（メタデータ） (2024-05-02T16:50:47Z)
Nonparametric Bellman Mappings for Reinforcement Learning: Application to Robust Adaptive Filtering [3.730504020733928]
本稿では、強化学習(RL)のための再生カーネルヒルベルト空間(RKHS)における新しい非パラメトリックベルマン写像を設計する。提案したマッピングは、RKHSのリッチな近似特性の恩恵を受け、非パラメトリックな性質のためデータの統計に仮定を適用せず、トレーニングデータなしで運用することができる。応用として, 適応フィルタリングにおける外れ値の対応問題に対する新しい解決策を提供するために, 提案した写像を用いる。
論文参考訳（メタデータ） (2024-03-29T07:15:30Z)
Generating drawdown-realistic financial price paths using path signatures [0.0]
本稿では,金融価格データのシーケンスを定量的に近似したドローダウンでシミュレーションするための,新しい生成機械学習手法を提案する。我々は、変分自己エンコーダ生成モデルと縮小再構成損失関数を組み合わせた非自明なモンテカルロアプローチを提唱する。我々は、混合株式、債券、不動産、商品ポートフォリオに関する数値実験で締めくくった。
論文参考訳（メタデータ） (2023-09-08T10:06:40Z)
Uncertainty-Aware Instance Reweighting for Off-Policy Learning [63.31923483172859]
本研究では,不確実性を考慮した逆確率スコア推定器 (UIPS) を提案する。実世界の3つのレコメンデーションデータセットを用いた実験結果から,提案したUIPS推定器の有効サンプル効率が示された。
論文参考訳（メタデータ） (2023-03-11T11:42:26Z)
Estimating Regression Predictive Distributions with Sample Networks [17.935136717050543]
モデル不確実性に対する一般的なアプローチは、パラメトリック分布を選択し、最大推定を用いてデータに適合させることである。選択されたパラメトリック形式は、データ生成分布に不適合であり、信頼できない不確実性推定をもたらす。出力分布にパラメトリック形式を指定することを避けるため,不確実性をモデル化するためのフレキシブルでスケーラブルなアーキテクチャであるSampleNetを提案する。
論文参考訳（メタデータ） (2022-11-24T17:23:29Z)
NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural Networks [151.03112356092575]
本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
論文参考訳（メタデータ） (2022-02-07T12:30:45Z)
Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文参考訳（メタデータ） (2020-06-26T13:50:19Z)
Stochastic-Sign SGD for Federated Learning with Theoretical Guarantees [49.91477656517431]
量子化に基づく解法は、フェデレートラーニング(FL)において広く採用されている。上記のプロパティをすべて享受する既存のメソッドはありません。本稿では,SIGNSGDに基づく直感的かつ理論的に簡易な手法を提案し,そのギャップを埋める。
論文参考訳（メタデータ） (2020-02-25T15:12:15Z)

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。