論文の概要: Mean-Variance Portfolio Selection in Long-Term Investments with Unknown Distribution: Online Estimation, Risk Aversion under Ambiguity, and Universality of Algorithms
- arxiv url: http://arxiv.org/abs/2406.13486v1
- Date: Wed, 19 Jun 2024 12:11:42 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-21 19:53:21.027596
- Title: Mean-Variance Portfolio Selection in Long-Term Investments with Unknown Distribution: Online Estimation, Risk Aversion under Ambiguity, and Universality of Algorithms
- Title（参考訳）: 未知分布をもつ長期投資における平均変動ポートフォリオ選択:オンライン推定、曖昧性に基づくリスク回避、アルゴリズムの普遍性
- Authors: Duy Khanh Lam,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The standard approach for constructing a Mean-Variance portfolio involves estimating parameters for the model using collected samples. However, since the distribution of future data may not resemble that of the training set, the out-of-sample performance of the estimated portfolio is worse than one derived with true parameters, which has prompted several innovations for better estimation. Instead of treating the data without a timing aspect as in the common training-backtest approach, this paper adopts a perspective where data gradually and continuously reveal over time. The original model is recast into an online learning framework, which is free from any statistical assumptions, to propose a dynamic strategy of sequential portfolios such that its empirical utility, Sharpe ratio, and growth rate asymptotically achieve those of the true portfolio, derived with perfect knowledge of the future data. When the distribution of future data has a normal shape, the growth rate of wealth is shown to increase by lifting the portfolio along the efficient frontier through the calibration of risk aversion. Since risk aversion cannot be appropriately predetermined, another proposed algorithm updating this coefficient over time forms a dynamic strategy approaching the optimal empirical Sharpe ratio or growth rate associated with the true coefficient. The performance of these proposed strategies is universally guaranteed under specific stochastic markets. Furthermore, in stationary and ergodic markets, the so-called Bayesian strategy utilizing true conditional distributions, based on observed past market information during investment, almost surely does not perform better than the proposed strategies in terms of empirical utility, Sharpe ratio, or growth rate, which, in contrast, do not rely on conditional distributions.
- Abstract（参考訳）: 平均変数ポートフォリオを構築するための標準的なアプローチでは、収集されたサンプルを使用してモデルのパラメータを推定する。
しかし、将来のデータの分布はトレーニングセットと似ていないため、推定ポートフォリオのアウト・オブ・サンプルのパフォーマンスは真のパラメータで導かれたものよりも悪いため、より良い見積もりのためにいくつかの革新がもたらされている。
本稿では, 時間的側面のないデータを扱う代わりに, 時間とともにデータを徐々に, 連続的に明らかにする視点を採用する。
元のモデルは,任意の統計的仮定から解放されたオンライン学習フレームワークに再キャストされ,経験的有用性,シャープ比,成長率を漸近的に達成するような逐次的ポートフォリオの動的戦略を提案する。
将来のデータの分布が正常な場合、リスク回避のキャリブレーションにより、効率的なフロンティアに沿ってポートフォリオを持ち上げることにより、富の成長率が向上することを示す。
リスク回避は適切に決められないため、時間とともにこの係数を更新する別のアルゴリズムは、真の係数に付随する最適な経験的シャープ比または成長速度に近づくダイナミック戦略を形成する。
これらの戦略の性能は、特定の確率的市場において普遍的に保証されている。
さらに、静止市場やエルゴード市場においては、投資中の過去の市場情報に基づく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、条件分布に依存しないような提案された戦略よりも、ほぼ確実には機能しない。
関連論文リスト
- Conformal Predictive Portfolio Selection [10.470114319701576]
CPPS(Conformal Predictive Portfolio Selection)と呼ばれる共形推論を用いた予測ポートフォリオ選択のためのフレームワークを提案する。
提案手法は,将来のポートフォリオのリターンを予測し,対応する予測間隔を計算し,これらの間隔に基づいて望ましいポートフォリオを選択する。
本稿では,ARモデルを用いたCPPSフレームワークの有効性を実証し,実証実験による性能評価を行った。
論文 参考訳（メタデータ） (2024-10-19T15:42:49Z) - UncertaintyRAG: Span-Level Uncertainty Enhanced Long-Context Modeling for Retrieval-Augmented Generation [93.38604803625294]
IncertaintyRAG, a novel approach for long-context Retrieval-Augmented Generation (RAG)について紹介する。
我々は、SNR(Signal-to-Noise Ratio)ベースのスパン不確実性を用いて、テキストチャンク間の類似性を推定する。
不確かさRAGはLLaMA-2-7Bでベースラインを2.03%上回り、最先端の結果を得る。
論文 参考訳（メタデータ） (2024-10-03T17:39:38Z) - 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) - Bayesian Nonparametrics Meets Data-Driven Distributionally Robust Optimization [29.24821214671497]
機械学習と統計モデルのトレーニングは、しばしばデータ駆動型リスク基準の最適化を伴う。
ベイズ的非パラメトリック(ディリクレ過程)理論と、スムーズなあいまいさ-逆選好の最近の決定論的モデルを組み合わせた、新しいロバストな基準を提案する。
実用的な実装として、よく知られたディリクレプロセスの表現に基づいて、評価基準の抽出可能な近似を提案し、研究する。
論文 参考訳（メタデータ） (2024-01-28T21:19:15Z) - When Rigidity Hurts: Soft Consistency Regularization for Probabilistic
Hierarchical Time Series Forecasting [69.30930115236228]
確率的階層的時系列予測は時系列予測の重要な変種である。
ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。
ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
論文 参考訳（メタデータ） (2023-10-17T20:30:16Z) - 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) - Deep Learning Enhanced Realized GARCH [6.211385208178938]
本稿では,深層学習(LSTM)とボラティリティ対策の併用によるボラティリティモデリングの新しい手法を提案する。
このLSTMで強化されたGARCHフレームワークは、金融経済学、高周波取引データ、ディープラーニングによるモデリングの進歩を取り入れ、蒸留する。
論文 参考訳（メタデータ） (2023-02-16T00:20:43Z) - When Rigidity Hurts: Soft Consistency Regularization for Probabilistic
Hierarchical Time Series Forecasting [69.30930115236228]
確率的階層的時系列予測は時系列予測の重要な変種である。
ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。
ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
論文 参考訳（メタデータ） (2022-06-16T06:13:53Z) - Deep Learning Statistical Arbitrage [0.0]
本稿では,統計的仲裁のための統一的な概念枠組みを提案し,新しいディープラーニングソリューションを開発した。
我々は、条件付き遅延資産価格要素から残余ポートフォリオとして類似資産の仲裁ポートフォリオを構築する。
我々は、これらの残余ポートフォリオの時系列信号を、最も強力な機械学習時系列ソリューションの1つを用いて抽出する。
論文 参考訳（メタデータ） (2021-06-08T00:48:25Z) - Improving the Robustness of Trading Strategy Backtesting with Boltzmann
Machines and Generative Adversarial Networks [0.0]
この記事では、市場ジェネレータを構築するための機械学習モデルの使用について説明する。
基礎となる考え方は、統計的性質が金融市場に見られるものと同じである人工多次元金融時系列をシミュレートすることである。
そこで本稿では,バックテスト統計の確率分布を推定する新しい手法を提案する。
論文 参考訳（メタデータ） (2020-07-09T14:37:45Z) - 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)
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。