論文の概要: Large-scale Time-Varying Portfolio Optimisation using Graph Attention Networks
- arxiv url: http://arxiv.org/abs/2407.15532v1
- Date: Mon, 22 Jul 2024 10:50:47 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-23 15:21:11.535382
- Title: Large-scale Time-Varying Portfolio Optimisation using Graph Attention Networks
- Title（参考訳）: グラフ注意ネットワークを用いた大規模時間変化ポートフォリオ最適化
- Authors: Kamesh Korangi, Christophe Mues, Cristián Bravo,
- Abstract要約: これはリスクの高い企業を取り入れ、ポートフォリオの最適化に全企業を使う最初の研究だ。
グラフ注意ネットワーク(GAT)を利用した新しい手法の提案と実証試験を行った。
GATは、ネットワークデータを利用して非線形関係を明らかにするディープラーニングベースのモデルである。
- 参考スコア（独自算出の注目度）: 4.2056926734482065
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Apart from assessing individual asset performance, investors in financial markets also need to consider how a set of firms performs collectively as a portfolio. Whereas traditional Markowitz-based mean-variance portfolios are widespread, network-based optimisation techniques have built upon these developments. However, most studies do not contain firms at risk of default and remove any firms that drop off indices over a certain time. This is the first study to incorporate risky firms and use all the firms in portfolio optimisation. We propose and empirically test a novel method that leverages Graph Attention networks (GATs), a subclass of Graph Neural Networks (GNNs). GNNs, as deep learning-based models, can exploit network data to uncover nonlinear relationships. Their ability to handle high-dimensional features and accommodate customised layers for specific purposes makes them particularly appealing for large-scale problems such as mid- and small-cap portfolio optimization. This study utilises 30 years of data on mid-cap firms, creating graphs of firms using distance correlation and the Triangulated Maximally Filtered Graph approach. These graphs are the inputs to a GAT model that we train using custom layers which impose weight and allocation constraints and a loss function derived from the Sharpe ratio, thus directly maximising portfolio risk-adjusted returns. This new model is benchmarked against a network characteristic-based portfolio, a mean variance-based portfolio, and an equal-weighted portfolio. The results show that the portfolio produced by the GAT-based model outperforms all benchmarks and is consistently superior to other strategies over a long period while also being informative of market dynamics.
- Abstract（参考訳）: 個別の資産パフォーマンスの評価とは別に、金融市場の投資家は、一組の企業がポートフォリオとしてどのように振る舞うかを検討する必要がある。
従来のMarkowitzベースの平均分散ポートフォリオは広く使われているが、ネットワークベースの最適化技術はこれらの発展の上に構築されている。
しかし、ほとんどの研究は、デフォルトのリスクのある企業を含まないため、一定期間にわたって指標を下げる企業を取り除きます。
これはリスクの高い企業を取り入れ、ポートフォリオの最適化に全企業を使う最初の研究だ。
本稿では,グラフニューラルネットワーク(GNN)のサブクラスであるグラフ注意ネットワーク(GAT)を利用した新しい手法を提案する。
GNNは、ディープラーニングベースのモデルとして、非線形関係を明らかにするためにネットワークデータを利用することができる。
高次元の機能を処理し、特定の目的のためにカスタマイズされたレイヤに対応する能力は、中小規模のポートフォリオ最適化のような大規模な問題に特にアピールする。
本研究では、中規模企業における30年間のデータを活用し、距離相関と三角最大フィルタグラフを用いた企業のグラフを作成する。
これらのグラフは、重みと割り当ての制約を課すカスタムレイヤとシャープ比に由来する損失関数を用いてトレーニングしたGATモデルへの入力であり、ポートフォリオのリスク調整されたリターンを直接最大化する。
この新モデルは、ネットワーク特性ベースのポートフォリオ、平均分散ベースのポートフォリオ、および等しい重み付けされたポートフォリオに対してベンチマークされる。
以上の結果から,GATモデルによるポートフォリオは,すべてのベンチマークを上回り,長期にわたって他の戦略よりも一貫して優れており,市場ダイナミクスにも有益であることが明らかとなった。
関連論文リスト
- Privacy-preserving design of graph neural networks with applications to
vertical federated learning [56.74455367682945]
VESPERと呼ばれるエンドツーエンドのグラフ表現学習フレームワークを提案する。
VESPERは、適切なプライバシー予算の下でスパースグラフと密度グラフの両方で高性能なGNNモデルをトレーニングすることができる。
論文 参考訳（メタデータ） (2023-10-31T15:34:59Z) - Cryptocurrency Portfolio Optimization by Neural Networks [81.20955733184398]
本稿では,これらの投資商品を活用するために,ニューラルネットワークに基づく効果的なアルゴリズムを提案する。
シャープ比を最大化するために、各アセットの割り当て重量を時間間隔で出力するディープニューラルネットワークを訓練する。
ネットワークの特定の資産に対するバイアスを規制する新たな損失項を提案し,最小分散戦略に近い割り当て戦略をネットワークに学習させる。
論文 参考訳（メタデータ） (2023-10-02T12:33:28Z) - Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis [50.972595036856035]
本稿では,6つの人気グラフと最近のグラフ推薦モデルの結果を再現するコードを提案する。
これらのグラフモデルと従来の協調フィルタリングモデルを比較する。
ユーザの近所からの情報フローを調べることにより,データセット構造における内在的特徴にどのようなモデルが影響するかを同定することを目的とする。
論文 参考訳（メタデータ） (2023-08-01T09:31:44Z) - Model-Free Market Risk Hedging Using Crowding Networks [1.4786952412297811]
群集はポートフォリオ戦略を設計する上で最も重要なリスク要因の1つだと考えられている。
本研究は,株式の集団化スコアの算出に使用されるファンド保有のネットワーク分析を用いて,株式の集団化分析を行う。
本手法は,コストのかかるオプションベースの戦略や複雑な数値最適化を必要としない,テールリスクを含むポートフォリオリスクの代替手段を提供する。
論文 参考訳（メタデータ） (2023-06-13T19:50:03Z) - Studying How to Efficiently and Effectively Guide Models with Explanations [52.498055901649025]
「モデルガイダンス」とは「正しい理由のために正しい」ことを保証するためにモデルの説明を規則化する考え方である。
PASCAL VOC 2007 および MS COCO 2014 データセット上で, 各種損失関数, 帰属方法, モデル, 誘導深度について詳細な評価を行う。
具体的には、一般的に使用されるセグメンテーションマスクよりもはるかに安価で入手可能なバウンディングボックスアノテーションを用いてモデルをガイドする。
論文 参考訳（メタデータ） (2023-03-21T15:34:50Z) - Long Short-Term Memory Neural Network for Financial Time Series [0.0]
株価変動の予測のために,単体および並列長短期記憶ニューラルネットワークのアンサンブルを提案する。
ストレートなトレーディング戦略では、ランダムに選択されたポートフォリオと指数のすべての株を含むポートフォリオを比較すると、LSTMアンサンブルから得られたポートフォリオが平均的なリターンと時間とともに高い累積リターンを提供することを示している。
論文 参考訳（メタデータ） (2022-01-20T15:17:26Z) - WaveCorr: Correlation-savvy Deep Reinforcement Learning for Portfolio
Management [1.0499611180329804]
深層強化学習(DRL)のための新しいポートフォリオポリシーネットワークアーキテクチャを提案する。
WaveCorrは、年平均リターンで3%-25%改善した他のアーキテクチャを一貫して上回っている。
また,初期資産の順序と重みのランダムな選択による性能の安定度を最大5倍に改善した。
論文 参考訳（メタデータ） (2021-09-14T22:52:46Z) - 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) - Model-Agnostic Graph Regularization for Few-Shot Learning [60.64531995451357]
グラフ組み込み数ショット学習に関する包括的な研究を紹介します。
本稿では,ラベル間のグラフ情報の組み込みによる影響をより深く理解できるグラフ正規化手法を提案する。
提案手法は,Mini-ImageNetで最大2%,ImageNet-FSで6.7%の性能向上を実現する。
論文 参考訳（メタデータ） (2021-02-14T05:28:13Z) - Graphical Models for Financial Time Series and Portfolio Selection [3.444844635251667]
我々は, PCA-KMeans, オートエンコーダ, 動的クラスタリング, 構造学習を用いて最適ポートフォリオを構築する。
この研究は、グラフィカルモデルが時系列データの時間依存性を効果的に学習し、資産管理に有用であることが示唆されている。
論文 参考訳（メタデータ） (2021-01-22T16:56:54Z) - Deep Stock Predictions [58.720142291102135]
本稿では,Long Short Term Memory (LSTM) ニューラルネットワークを用いてポートフォリオ最適化を行うトレーディング戦略の設計について考察する。
次に、LSTMのトレーニングに使用する損失関数をカスタマイズし、利益を上げる。
カスタマイズされた損失関数を持つLSTMモデルは、ARIMAのような回帰ベースライン上でのトレーニングボットの性能を向上させる。
論文 参考訳（メタデータ） (2020-06-08T23:37:47Z)
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。