論文の概要: FDR-Controlled Portfolio Optimization for Sparse Financial Index Tracking

• arxiv url: http://arxiv.org/abs/2401.15139v2
• Date: Tue, 30 Jan 2024 17:57:12 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-31 11:48:29.148067
• Title: FDR-Controlled Portfolio Optimization for Sparse Financial Index Tracking
• Title（参考訳）: スパース金融指標追跡のためのFDR制御ポートフォリオ最適化
• Authors: Jasin Machkour, Daniel P. Palomar, Michael Muma
• Abstract要約: 高次元データ解析では、偽発見率(FDR)の制御を維持しつつ、少数の関連する変数を選択することが重要である。 我々は高相関変数の重なり合うグループに対応するためにT-Rexフレームワークを拡張した。 これは、ユーザが定義したターゲットレベルでFDRを確実に制御する、近隣のペナル化機構をフレームワークに統合することで実現される。
• 参考スコア（独自算出の注目度）: 10.86851797584794
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In high-dimensional data analysis, such as financial index tracking or biomedical applications, it is crucial to select the few relevant variables while maintaining control over the false discovery rate (FDR). In these applications, strong dependencies often exist among the variables (e.g., stock returns), which can undermine the FDR control property of existing methods like the model-X knockoff method or the T-Rex selector. To address this issue, we have expanded the T-Rex framework to accommodate overlapping groups of highly correlated variables. This is achieved by integrating a nearest neighbors penalization mechanism into the framework, which provably controls the FDR at the user-defined target level. A real-world example of sparse index tracking demonstrates the proposed method's ability to accurately track the S&P 500 index over the past 20 years based on a small number of stocks. An open-source implementation is provided within the R package TRexSelector on CRAN.
• Abstract（参考訳）: 金融指標追跡や生物医学的応用といった高次元データ分析では、偽発見率(fdr)の制御を維持しながら、関連する変数を選択することが重要である。 これらのアプリケーションでは、強い依存が変数(例えばストックリターン)の間に存在し、モデル-Xノックオフ法やT-Rexセレクタのような既存のメソッドのFDR制御特性を損なうことがある。 この問題に対処するため、高相関変数の重なり合うグループに対応するためにT-Rexフレームワークを拡張した。 これは、最寄りのペナリゼーションメカニズムをフレームワークに統合することで実現され、ユーザ定義のターゲットレベルでfdrを確実に制御する。 スパース・インデックス・トラッキングの実際の例では、s&p500種株価指数を少数の株式に基づいて過去20年間に正確に追跡する手法が示されている。 オープンソース実装は、CRAN上のRパッケージTRexSelector内に提供される。

関連論文リスト

• RAG-DDR: Optimizing Retrieval-Augmented Generation Using Differentiable Data Rewards [78.74923079748521]
  Retrieval-Augmented Generation (RAG) は、Large Language Models (LLMs) における幻覚を緩和する効果を証明している。 現在のアプローチでは、命令チューニングを使用してLLMを最適化し、検索した知識を活用する能力を改善している。 本稿では,異なるRAGモジュール間でデータ嗜好を整列させることでRAGシステムを訓練するDDR法を提案する。
  論文  参考訳（メタデータ） (2024-10-17T12:53:29Z)
• High-Dimensional False Discovery Rate Control for Dependent Variables [10.86851797584794]
  本稿では,変数間の依存関係構造を利用した依存性認識型T-Rexセレクタを提案する。 可変ペナル化機構がFDR制御を保証することを実証する。 グラフィカルモデルとT-Rexフレームワークのパラメータを同時に決定する完全統合最適キャリブレーションアルゴリズムを定式化する。
  論文  参考訳（メタデータ） (2024-01-28T22:56:16Z)
• Off-Policy Evaluation for Large Action Spaces via Policy Convolution [60.6953713877886]
  ポリシ・コンボリューション(Policy Convolution)のファミリーは、アクション内の潜在構造を使用して、ログとターゲットポリシを戦略的に畳み込みます。 合成およびベンチマークデータセットの実験では、PCを使用する場合の平均二乗誤差(MSE)が顕著に改善されている。
  論文  参考訳（メタデータ） (2023-10-24T01:00:01Z)
• Probabilistic Model Incorporating Auxiliary Covariates to Control FDR [6.270317798744481]
  複数の仮説テストの側面情報を活用しながら、偽発見率(FDR)を制御することは、現代のデータサイエンスにおける新たな研究トピックである。 統計的パワーを向上し,マルチハイポテーシステストのためのFDRを制御する,深いブラックボックス制御FDR(NeurT-FDR)を提案する。 我々は、NeurT-FDRが3つの実際のデータセットにおいて、競合するベースラインに比べてかなり多くの発見を行うことを示す。
  論文  参考訳（メタデータ） (2022-10-06T19:35:53Z)
• DR-DSGD: A Distributionally Robust Decentralized Learning Algorithm over Graphs [54.08445874064361]
  本稿では,分散環境下での正規化された分散ロバストな学習問題を解くことを提案する。 Kullback-Liebler正規化関数をロバストなmin-max最適化問題に追加することにより、学習問題を修正されたロバストな問題に還元することができる。 提案アルゴリズムは, 最低分布検定精度を最大10%向上できることを示す。
  論文  参考訳（メタデータ） (2022-08-29T18:01:42Z)
• Error-based Knockoffs Inference for Controlled Feature Selection [49.99321384855201]
  本手法では, ノックオフ特徴量, エラーベース特徴重要度統計量, ステップダウン手順を一体化して, エラーベースのノックオフ推定手法を提案する。 提案手法では回帰モデルを指定する必要はなく,理論的保証で特徴選択を処理できる。
  論文  参考訳（メタデータ） (2022-03-09T01:55:59Z)
• Examining and Combating Spurious Features under Distribution Shift [94.31956965507085]
  我々は、最小限の統計量という情報理論の概念を用いて、ロバストで刺激的な表現を定義し、分析する。 入力分布のバイアスしか持たない場合でも、モデルはトレーニングデータから急激な特徴を拾い上げることができることを証明しています。 分析から着想を得た結果,グループDROは,グループ同士の相関関係を直接考慮しない場合に失敗する可能性が示唆された。
  論文  参考訳（メタデータ） (2021-06-14T05:39:09Z)
• Adversarial Robustness Guarantees for Gaussian Processes [22.403365399119107]
  ガウス過程(GP)は、モデルの不確実性の原理的計算を可能にし、安全性に重要なアプリケーションに魅力的です。 境界付き摂動に対するモデル決定の不変性として定義されるGPの対向的堅牢性を分析するためのフレームワークを提案する。 我々は境界を洗練し、任意の$epsilon > 0$に対して、我々のアルゴリズムが有限個の反復で実際の値に$epsilon$-closeの値に収束することを保証していることを示す分岐とバウンドのスキームを開発する。
  論文  参考訳（メタデータ） (2021-04-07T15:14:56Z)
• NeurT-FDR: Controlling FDR by Incorporating Feature Hierarchy [7.496622386458525]
  統計力を高め、複数の仮説テストのためのFDRを制御するNeurT-FDRを提案する。 我々は、NeurT-FDRが強力なFDR保証を持ち、合成データセットと実データセットで大幅に発見することを示しています。
  論文  参考訳（メタデータ） (2021-01-24T21:55:10Z)
• Lower bounds in multiple testing: A framework based on derandomized proxies [107.69746750639584]
  本稿では, 各種コンクリートモデルへの適用例を示す, デランドマイズに基づく分析戦略を提案する。 これらの下界のいくつかを数値シミュレーションし、Benjamini-Hochberg (BH) アルゴリズムの実際の性能と密接な関係を示す。
  論文  参考訳（メタデータ） (2020-05-07T19:59:51Z)

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。