論文の概要: Sparse Portfolio Selection via Topological Data Analysis based Clustering

• arxiv url: http://arxiv.org/abs/2401.16920v1
• Date: Tue, 30 Jan 2024 11:42:52 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-31 15:19:16.244129
• Title: Sparse Portfolio Selection via Topological Data Analysis based Clustering
• Title（参考訳）: トポロジカルデータ分析に基づくクラスタリングによるスパースポートフォリオ選択
• Authors: Anubha Goel, Damir Filipovi\'c, Puneet Pasricha
• Abstract要約: 本稿では、トポロジカルデータ解析ツールを使用し、スパースポートフォリオ構築に適したデータ駆動クラスタリングに基づくストックセレクション戦略を提案する。 クラスタリングアルゴリズムとTDAを統合する戦略は,多様な市場シナリオにおいて,さまざまなパフォーマンス指標にまたがるスパースポートフォリオのパフォーマンスを著しく向上させた。
• 参考スコア（独自算出の注目度）: 5.110444063763577
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper uses topological data analysis (TDA) tools and introduces a data-driven clustering-based stock selection strategy tailored for sparse portfolio construction. Our asset selection strategy exploits the topological features of stock price movements to select a subset of topologically similar (different) assets for a sparse index tracking (Markowitz) portfolio. We introduce new distance measures, which serve as an input to the clustering algorithm, on the space of persistence diagrams and landscapes that consider the time component of a time series. We conduct an empirical analysis on the S\&P index from 2009 to 2020, including a study on the COVID-19 data to validate the robustness of our methodology. Our strategy to integrate TDA with the clustering algorithm significantly enhanced the performance of sparse portfolios across various performance measures in diverse market scenarios.
• Abstract（参考訳）: 本稿では,トポロジカルデータ分析(tda)ツールを用いて,スパースポートフォリオ構築に適したデータ駆動クラスタリングに基づくストック選択戦略を提案する。 我々の資産選択戦略は、株式価格運動のトポロジカルな特徴を利用して、スパースインデックス追跡(Markowitz)ポートフォリオのためのトポロジカルに類似した(異なる)資産のサブセットを選択する。 時系列の時間成分を考慮した永続化図や風景の空間上で,クラスタリングアルゴリズムの入力として機能する新しい距離測度を導入する。 2009年から2020年までのs\&p指標の実証分析を行い,本手法のロバスト性を検証するためのcovid-19データについて検討した。 クラスタリングアルゴリズムとTDAを統合する戦略は,多様な市場シナリオにおいて,さまざまなパフォーマンス指標にまたがるスパースポートフォリオのパフォーマンスを著しく向上させた。

関連論文リスト

• Optimizing Portfolio Performance through Clustering and Sharpe Ratio-Based Optimization: A Comparative Backtesting Approach [0.0]
  本稿では,クラスタリングに基づくポートフォリオセグメンテーションとシャープ比に基づく最適化を組み合わせることで,投資意思決定を向上させるためのバックテスト手法を提案する。 我々は、K-Meansクラスタリングを用いた過去のログリターンに基づいて、さまざまな金融資産をクラスタに分割する。 各クラスタに対して、リスク調整されたリターンを最大化する最適な重み付けを導出するためにシャープ比に基づく最適化モデルを適用する。
  論文  参考訳（メタデータ） (2025-01-21T12:00:52Z)
• Exploring applications of topological data analysis in stock index movement prediction [5.82416342574148]
  3つの異なる手法を用いてストックインデックスのための点雲を構築する。 データ内のパターンを表現するために4つの異なるトポロジ的特徴が計算され、これらの特徴の15の組み合わせが列挙され、6つの異なる機械学習モデルに入力される。 CSI, DAX, HSI, FTSEなどのデータセット上で, インデックス移動分類タスクを実行することで, 様々なTDA構成の予測性能を評価する。
  論文  参考訳（メタデータ） (2024-11-21T06:41:39Z)
• Interpetable Target-Feature Aggregation for Multi-Task Learning based on Bias-Variance Analysis [53.38518232934096]
  マルチタスク学習(MTL)は、タスク間の共有知識を活用し、一般化とパフォーマンスを改善するために設計された強力な機械学習パラダイムである。 本稿では,タスククラスタリングと特徴変換の交点におけるMTL手法を提案する。 両段階において、鍵となる側面は減った目標と特徴の解釈可能性を維持することである。
  論文  参考訳（メタデータ） (2024-06-12T08:30:16Z)
• Lidar Panoptic Segmentation and Tracking without Bells and Whistles [48.078270195629415]
  ライダーセグメンテーションと追跡のための検出中心ネットワークを提案する。 私たちのネットワークのコアコンポーネントの1つは、オブジェクトインスタンス検出ブランチです。 提案手法を複数の3D/4D LPSベンチマークで評価し,我々のモデルがオープンソースモデル間で新たな最先端性を確立することを確認した。
  論文  参考訳（メタデータ） (2023-10-19T04:44:43Z)
• Portfolio Selection via Topological Data Analysis [2.3901301169141056]
  本稿では、共通株式の投資ポートフォリオを構築するための2段階の方法を提案する。 この方法は時系列表現の生成とその後のクラスタリングを含む。 実験の結果,提案システムは他の手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-08-15T09:36:43Z)
• Detection and Evaluation of Clusters within Sequential Data [58.720142291102135]
  Block Markov Chainsのクラスタリングアルゴリズムは理論的最適性を保証する。 特に、私たちのシーケンシャルデータは、ヒトのDNA、テキスト、動物運動データ、金融市場から派生しています。 ブロックマルコフ連鎖モデルの仮定は、実際に探索データ解析において有意義な洞察を得られることが判明した。
  論文  参考訳（メタデータ） (2022-10-04T15:22:39Z)
• Cooperative Self-Training for Multi-Target Adaptive Semantic Segmentation [26.79776306494929]
  複数のドメイン固有分類器間の協調を誘導するために擬似ラベルを用いた自己学習戦略を提案する。 我々は、自己学習の不可欠な部分を形成する画像ビューを生成する効率的な方法として、特徴スタイリングを採用している。
  論文  参考訳（メタデータ） (2022-10-04T13:03:17Z)
• Revisiting LSTM Networks for Semi-Supervised Text Classification via Mixed Objective Function [106.69643619725652]
  我々は,単純なBiLSTMモデルであっても,クロスエントロピー損失でトレーニングした場合に,競争的な結果が得られるようなトレーニング戦略を開発する。 いくつかのベンチマークデータセット上で,テキスト分類タスクの最先端結果について報告する。
  論文  参考訳（メタデータ） (2020-09-08T21:55:22Z)
• Topology-based Clusterwise Regression for User Segmentation and Demand Forecasting [63.78344280962136]
  本研究は,パブリックおよび新規な商用データ集合を用いて,アナリストがユーザベースをクラスタリングし,詳細なレベルで需要を計画できることを示す。 本研究は,TDAに基づく時系列クラスタリングと行列因数分解法によるクラスタ回帰を実践者にとって実行可能なツールとして導入することを目的とする。
  論文  参考訳（メタデータ） (2020-09-08T12:10:10Z)
• CONSAC: Robust Multi-Model Fitting by Conditional Sample Consensus [62.86856923633923]
  我々は,同じ形状の複数のパラメトリックモデルを雑音測定に適合させる頑健な推定器を提案する。 複数のモデル検出のための手作り検索戦略を利用する従来の研究とは対照的に,データから検索戦略を学習する。 探索の自己教師付き学習において,提案したアルゴリズムをマルチホログラフィー推定で評価し,最先端手法よりも優れた精度を示す。
  論文  参考訳（メタデータ） (2020-01-08T17:37:01Z)

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。