論文の概要: Developing An Attention-Based Ensemble Learning Framework for Financial Portfolio Optimisation
- arxiv url: http://arxiv.org/abs/2404.08935v1
- Date: Sat, 13 Apr 2024 09:10:05 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-16 18:03:29.215384
- Title: Developing An Attention-Based Ensemble Learning Framework for Financial Portfolio Optimisation
- Title（参考訳）: 金融ポートフォリオ最適化のための注意型アンサンブル学習フレームワークの開発
- Authors: Zhenglong Li, Vincent Tam,
- Abstract要約: 本稿では,アテンション機構や時系列,すなわちMASAATと統合されたマルチエージェントで自己適応的なポートフォリオ最適化フレームワークを提案する。
時系列で財務データのトークンを再構築することにより、各エージェントの注意ベースの横断分析モジュールと時間分析モジュールは、資産と時間点間の依存関係との相関を効果的に捉えることができる。
実験により、MASAATフレームワークは、よく知られたポートフォリオ最適化アプローチと比較して、印象的な拡張を実現していることが明らかとなった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: In recent years, deep or reinforcement learning approaches have been applied to optimise investment portfolios through learning the spatial and temporal information under the dynamic financial market. Yet in most cases, the existing approaches may produce biased trading signals based on the conventional price data due to a lot of market noises, which possibly fails to balance the investment returns and risks. Accordingly, a multi-agent and self-adaptive portfolio optimisation framework integrated with attention mechanisms and time series, namely the MASAAT, is proposed in this work in which multiple trading agents are created to observe and analyse the price series and directional change data that recognises the significant changes of asset prices at different levels of granularity for enhancing the signal-to-noise ratio of price series. Afterwards, by reconstructing the tokens of financial data in a sequence, the attention-based cross-sectional analysis module and temporal analysis module of each agent can effectively capture the correlations between assets and the dependencies between time points. Besides, a portfolio generator is integrated into the proposed framework to fuse the spatial-temporal information and then summarise the portfolios suggested by all trading agents to produce a newly ensemble portfolio for reducing biased trading actions and balancing the overall returns and risks. The experimental results clearly demonstrate that the MASAAT framework achieves impressive enhancement when compared with many well-known portfolio optimsation approaches on three challenging data sets of DJIA, S&P 500 and CSI 300. More importantly, our proposal has potential strengths in many possible applications for future study.
- Abstract（参考訳）: 近年,動的金融市場下での空間的・時間的情報学習を通じて,投資ポートフォリオの最適化に深層・強化的な学習アプローチが適用されている。
しかし、ほとんどの場合、既存のアプローチは、多くの市場ノイズのために従来の価格データに基づいてバイアストレーディング信号を生成する可能性があるため、投資リターンとリスクのバランスが取れない可能性がある。
そこで,マルチエージェント・セルフアダプティブ・ポートフォリオ最適化フレームワークを,アテンション機構と時系列,すなわちMASAATと統合し,価格系列の観測・分析を行う複数のトレーディングエージェントと,価格系列の信号-雑音比を高めるためのさまざまな粒度の異なる資産価格の有意な変化を認識する方向性変化データを作成した。
その後、時系列で財務データのトークンを再構築することにより、各エージェントの注意ベースの断面分析モジュールと時間解析モジュールは、資産と時間点間の依存関係との相関を効果的に捉えることができる。
さらに、ポートフォリオジェネレータが提案されたフレームワークに統合され、空間的時間的情報を融合し、すべてのトレーディングエージェントが提案するポートフォリオをまとめて、バイアスのあるトレーディング行動の削減と全体的なリターンとリスクのバランスをとるために、新たなアンサンブルポートフォリオを生成する。
MASAATフレームワークは、DJIA、S&P 500、CSI 300の3つの挑戦的なデータセットに対して、よく知られたポートフォリオ最適化アプローチと比較して、印象的な拡張を実現している。
さらに重要なことは、我々の提案は将来の研究への多くの可能性の可能性を秘めている。
関連論文リスト
- BreakGPT: Leveraging Large Language Models for Predicting Asset Price Surges [55.2480439325792]
本稿では,時系列予測や資産価格の急上昇の予測に特化して,新たな大規模言語モデル(LLM)アーキテクチャであるBreakGPTを紹介する。
我々は、最小限のトレーニングで財務予測を行うための有望なソリューションとしてBreakGPTを紹介し、局所的およびグローバルな時間的依存関係をキャプチャする強力な競合相手として紹介する。
論文 参考訳（メタデータ） (2024-11-09T05:40:32Z) - Temporal Relational Reasoning of Large Language Models for Detecting Stock Portfolio Crashes [46.259921167692895]
我々はTRR(Temporal Reasoning)というアルゴリズムフレームワークを提案する。
TRRは、複雑な問題解決に使用される人間の認知能力のスペクトルをエミュレートしようとしている。
TRRは、ストックポートフォリオのクラッシュを検出する上で、最先端のソリューションよりも優れていることを示す。
論文 参考訳（メタデータ） (2024-10-07T11:15:52Z) - Automate Strategy Finding with LLM in Quant investment [4.46212317245124]
ポートフォリオ管理とアルファマイニングにおける定量株式投資のための新しい枠組みを提案する。
本稿では,大規模言語モデル(LLM)がマルチモーダル財務データからアルファ因子を抽出する枠組みを提案する。
中国株式市場の実験は、この枠組みが最先端のベースラインを大きく上回っていることを示している。
論文 参考訳（メタデータ） (2024-09-10T07:42:28Z) - 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) - Developing A Multi-Agent and Self-Adaptive Framework with Deep Reinforcement Learning for Dynamic Portfolio Risk Management [1.2016264781280588]
ポートフォリオ全体のリターンと潜在的なリスクの間のトレードオフのバランスをとるために,マルチエージェント強化学習(RL)アプローチを提案する。
得られた実験結果から,提案したMASAフレームワークの有効性が明らかとなった。
論文 参考訳（メタデータ） (2024-02-01T11:31:26Z) - 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) - 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) - Deep Graph Convolutional Reinforcement Learning for Financial Portfolio
Management -- DeepPocket [6.85316573653194]
ポートフォリオマネジメントは、ポートフォリオを構成する資産を継続的に再配置することにより、リスクを最小限に抑えながら投資収益の最大化を目指します。
金融商品間の時間変動関係を活用し,deeppocketと呼ばれるグラフ畳み込み強化学習フレームワークを提案する。
DeepPocketは3つの異なる投資期間で5つの実生活データセットに対して評価される。
論文 参考訳（メタデータ） (2021-05-06T15:07:36Z) - Learning Risk Preferences from Investment Portfolios Using Inverse
Optimization [25.19470942583387]
本稿では,既存ポートフォリオからのリスク嗜好を逆最適化を用いて測定する手法を提案する。
我々は、20年間の資産価格と10年間の相互ファンドポートフォリオ保有からなる実市場データについて、本手法を実証する。
論文 参考訳（メタデータ） (2020-10-04T21:29:29Z) - 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) - Reinforcement-Learning based Portfolio Management with Augmented Asset
Movement Prediction States [71.54651874063865]
ポートフォリオマネジメント(PM)は、最大利益や最小リスクといった投資目標を達成することを目的としている。
本稿では,PMのための新しいステート拡張RLフレームワークであるSARLを提案する。
当社の枠組みは, 金融PMにおける2つのユニークな課題に対処することを目的としている。(1) データの異種データ -- 資産毎の収集情報は通常, 多様性, ノイズ, 不均衡(ニュース記事など), (2) 環境の不確実性 -- 金融市場は多様で非定常である。
論文 参考訳（メタデータ） (2020-02-09T08:10:03Z)
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。