論文の概要: Portfolio Optimization with Robust Covariance and Conditional Value-at-Risk Constraints

• arxiv url: http://arxiv.org/abs/2406.00610v1
• Date: Sun, 2 Jun 2024 03:50:20 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-06 04:16:01.243846
• Title: Portfolio Optimization with Robust Covariance and Conditional Value-at-Risk Constraints
• Title（参考訳）: ロバストな共分散と条件付き値制約によるポートフォリオ最適化
• Authors: Qiqin Zhou,
• Abstract要約: 各種のLedoit Shrinkage CovarianceおよびRobust Gerber CovarianceMatrixを用いた大容量ポートフォリオの性能評価を行った。 堅牢性評価は、特に強気相場で、市場資本化の重み付けされたベンチマークポートフォリオを上回る可能性がある。 我々は最適化アルゴリズムに教師なしクラスタリングアルゴリズムK平均を組み込んだ。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The measure of portfolio risk is an important input of the Markowitz framework. In this study, we explored various methods to obtain a robust covariance estimators that are less susceptible to financial data noise. We evaluated the performance of large-cap portfolio using various forms of Ledoit Shrinkage Covariance and Robust Gerber Covariance matrix during the period of 2012 to 2022. Out-of-sample performance indicates that robust covariance estimators can outperform the market capitalization-weighted benchmark portfolio, particularly during bull markets. The Gerber covariance with Mean-Absolute-Deviation (MAD) emerged as the top performer. However, robust estimators do not manage tail risk well under extreme market conditions, for example, Covid-19 period. When we aim to control for tail risk, we should add constraint on Conditional Value-at-Risk (CVaR) to make more conservative decision on risk exposure. Additionally, we incorporated unsupervised clustering algorithm K-means to the optimization algorithm (i.e. Nested Clustering Optimization, NCO). It not only helps mitigate numerical instability of the optimization algorithm, but also contributes to lower drawdown as well.
• Abstract（参考訳）: ポートフォリオリスクの測定は、Markowitzフレームワークの重要なインプットである。 本研究では、財務データノイズの影響を受けにくいロバストな共分散推定器を得るための様々な手法について検討した。 2012年から2022年にかけてのLedoit Shrinkage CovarianceおよびRobust Gerber CovarianceMatrixを用いた大規模ポートフォリオの性能評価を行った。 アウト・オブ・サンプルのパフォーマンスは、ロバストな共分散推定器が、特に強気相場で、市場資本化の重み付けされたベンチマークポートフォリオを上回っていることを示している。 ガーバーと平均絶対偏差(MAD)の共分散がトップパフォーマーとして浮上した。 しかし、ロバストな推定器は、例えばコビッド19期のような極端な市場条件下では、テールリスクをうまく管理しない。 テールリスクのコントロールを目指す場合には,リスク露光に関してより保守的な決定を下すために,条件付きバリュー・アット・リスク(CVaR)に制約を加える必要がある。 さらに,教師なしクラスタリングアルゴリズムK-meansを最適化アルゴリズム(Nested Clustering Optimization, NCO)に組み込んだ。 最適化アルゴリズムの数値不安定性を緩和するだけでなく、低下の低減にも寄与する。

関連論文リスト

• Joint Estimation of Conditional Mean and Covariance for Unbalanced Panels [0.0]
  非パラメトリックなカーネルベースジョイント推定器を提案し、大きな不均衡パネルにおける条件平均と共分散行列について検討する。 1962年から2021年までの米国株過剰リターンの総合パネルには,マクロ経済およびコーム固有co変数を条件として,我々の推定値を適用した。 資産価格では、等重量ベンチマークをかなり上回るサンプル外シャープ比を持つ条件付き平均分散効率のポートフォリオを生成する。
  論文  参考訳（メタデータ） (2024-10-29T08:42:22Z)
• Model-Based Epistemic Variance of Values for Risk-Aware Policy Optimization [59.758009422067]
  モデルベース強化学習における累積報酬に対する不確実性を定量化する問題を考察する。 我々は、解が値の真後分散に収束する新しい不確実性ベルマン方程式(UBE)を提案する。 本稿では,リスク・サーキングとリスク・アバース・ポリシー最適化のいずれにも適用可能な汎用ポリシー最適化アルゴリズムQ-Uncertainty Soft Actor-Critic (QU-SAC)を導入する。
  論文  参考訳（メタデータ） (2023-12-07T15:55:58Z)
• Robustifying Markowitz [3.154269505086154]
  金融時系列のヘビーテール特性は、実際にはこれらの重みの不安定な変動の原因である。 我々は,世界最小のMarkowitzポートフォリオのコストと重みを安定化するためのツールボックスを提案する。 我々は、ロバスト化されたポートフォリオが縮小ベースのポートフォリオや制約されたポートフォリオよりも低いターンオーバーに達することを実証した。
  論文  参考訳（メタデータ） (2022-12-28T18:09:14Z)
• Probable Domain Generalization via Quantile Risk Minimization [90.15831047587302]
  ドメインの一般化は、目に見えないテスト分布でうまく機能する予測子を求める。 我々はDGのための新しい確率的フレームワークを提案し、高い確率でよく動作する予測器を学習することを目指している。
  論文  参考訳（メタデータ） (2022-07-20T14:41:09Z)
• LoCoV: low dimension covariance voting algorithm for portfolio optimization [0.0]
  ポートフォリオ最適化のランダム行列の側面を分析し,サンプル最適ポートフォリオ重みにおける誤差の順序を同定する。 また、ランダムサンプルから継承した誤差を低減するために、LoCoVアルゴリズム(低次元共分散投票)を提供する。
  論文  参考訳（メタデータ） (2022-04-01T04:42:56Z)
• Safe Online Bid Optimization with Return-On-Investment and Budget Constraints subject to Uncertainty [87.81197574939355]
  最適化問題と学習問題の両方について検討する。 我々は、潜在的に線形な数の制約違反を犠牲にして、サブ線形後悔を保証するアルゴリズム、すなわちGCBを提供する。 より興味深いことに、我々はGCB_safe(psi,phi)というアルゴリズムを提供し、サブ線形擬似回帰と安全性w.h.p.の両方を、耐性 psi と phi を受け入れるコストで保証する。
  論文  参考訳（メタデータ） (2022-01-18T17:24:20Z)
• Risk Minimization from Adaptively Collected Data: Guarantees for Supervised and Policy Learning [57.88785630755165]
  経験的リスク最小化(Empirical Risk Minimization, ERM)は、機械学習のワークホースであるが、適応的に収集されたデータを使用すると、そのモデルに依存しない保証が失敗する可能性がある。 本研究では,仮説クラス上での損失関数の平均値を最小限に抑えるため,適応的に収集したデータを用いた一般的な重み付きERMアルゴリズムについて検討する。 政策学習では、探索がゼロになるたびに既存の文献のオープンギャップを埋める率-最適後悔保証を提供する。
  論文  参考訳（メタデータ） (2021-06-03T09:50:13Z)
• Large-Scale Methods for Distributionally Robust Optimization [53.98643772533416]
  我々のアルゴリズムは、トレーニングセットのサイズとパラメータの数によらず、多くの評価勾配を必要とすることを証明している。 MNIST と ImageNet の実験により,本手法の 9-36 倍の効率性を持つアルゴリズムの理論的スケーリングが確認された。
  論文  参考訳（メタデータ） (2020-10-12T17:41:44Z)
• Distributional Robustness and Regularization in Reinforcement Learning [62.23012916708608]
  経験値関数の新しい正規化器を導入し、ワッサーシュタイン分布のロバストな値関数を下限とすることを示す。 強化学習における$textitexternalな不確実性に対処するための実用的なツールとして正規化を使用することを提案する。
  論文  参考訳（メタデータ） (2020-03-05T19:56:23Z)
• Detecting Changes in Asset Co-Movement Using the Autoencoder Reconstruction Ratio [5.5616364225463055]
  資産共同移動の一時的な増加を検出するリアルタイム指標を提案する。 オートエンコーダ再構成比(Autoencoder Reconstruction Ratio)は、資産のバスケットが低次元の潜伏変数の集合を使ってどれだけうまくモデル化できるかを測定する。
  論文  参考訳（メタデータ） (2020-01-23T22:33:54Z)

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。