論文の概要: Dynamic Portfolio Rebalancing: A Hybrid new Model Using GNNs and Pathfinding for Cost Efficiency

• arxiv url: http://arxiv.org/abs/2410.01864v1
• Date: Wed, 2 Oct 2024 11:00:52 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-04 10:14:15.518756
• Title: Dynamic Portfolio Rebalancing: A Hybrid new Model Using GNNs and Pathfinding for Cost Efficiency
• Title（参考訳）: 動的ポートフォリオリバランシング:GNNとパスフィニングを用いたハイブリッドモデルによるコスト効率向上
• Authors: Diego Vallarino,
• Abstract要約: 本稿では,取引コストを予測するグラフニューラルネットワーク(GNN)と,コスト効率の高いリバランスパスを特定するDijkstraのアルゴリズムを統合することで,ポートフォリオのリバランスを最適化する新たなアプローチを提案する。 実証的な結果は、このハイブリッドアプローチが取引コストを大幅に削減し、ポートフォリオマネージャに強力なツールを提供することを示している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper introduces a novel approach to optimizing portfolio rebalancing by integrating Graph Neural Networks (GNNs) for predicting transaction costs and Dijkstra's algorithm for identifying cost-efficient rebalancing paths. Using historical stock data from prominent technology firms, the GNN is trained to forecast future transaction costs, which are then applied as edge weights in a financial asset graph. Dijkstra's algorithm is used to find the least costly path for reallocating capital between assets. Empirical results show that this hybrid approach significantly reduces transaction costs, offering a powerful tool for portfolio managers, especially in high-frequency trading environments. This methodology demonstrates the potential of combining advanced machine learning techniques with classical optimization algorithms to improve financial decision-making processes. Future research will explore expanding the asset universe and incorporating reinforcement learning for continuous portfolio optimization.
• Abstract（参考訳）: 本稿では,取引コストを予測するためのグラフニューラルネットワーク(GNN)と,コスト効率の高い再バランスパスを特定するためのDijkstraのアルゴリズムを統合することで,ポートフォリオ再バランスを最適化する新たなアプローチを提案する。 著名なテクノロジー企業の過去の株価データを用いて、GNNは将来の取引コストを予測し、金融資産グラフのエッジウェイトとして適用するよう訓練されている。 Dijkstraのアルゴリズムは、資産間の資本移動に最もコストのかかる経路を見つけるために使われる。 実証的な結果は、このハイブリッドアプローチが取引コストを大幅に削減し、特に高周波取引環境において、ポートフォリオマネージャに強力なツールを提供することを示している。 この手法は、高度な機械学習技術と古典的最適化アルゴリズムを組み合わせることにより、財務的な意思決定プロセスを改善する可能性を実証する。 今後の研究は、資産宇宙の拡大と継続的なポートフォリオ最適化のための強化学習の導入を検討する。

関連論文リスト

• Quantum-Inspired Portfolio Optimization In The QUBO Framework [0.0]
  異なる資産クラスにまたがる投資の多様化によるリスクを最小化しつつ、投資ポートフォリオのリターンを最大化することを目的としたポートフォリオ最適化を検討するために、量子インスパイアされた最適化手法が提案されている。 この研究は、資産配分とポートフォリオ管理のための強力なツールとしての可能性を示す、金融における量子インスパイアされた技術に関する文献の増大に寄与する。
  論文  参考訳（メタデータ） (2024-10-08T11:36:43Z)
• Hopfield Networks for Asset Allocation [8.26034886618475]
  本稿では,ポートフォリオ最適化問題に対する最近のホップフィールドネットワークの最初の応用について述べる。 長短項記憶ネットワークやトランスフォーマーのような最先端のディープラーニング手法と比較して,提案手法が同等以上の性能を発揮することがわかった。
  論文  参考訳（メタデータ） (2024-07-24T21:24:00Z)
• Neural Active Learning Beyond Bandits [69.99592173038903]
  ストリームベースとプールベースの両方のアクティブラーニングをニューラルネットワーク近似を用いて検討する。 ストリームベースおよびプールベースアクティブラーニングのためのニューラルネットワークを新たに設計したエクスプロイトと探索に基づく2つのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-04-18T21:52:14Z)
• Onflow: an online portfolio allocation algorithm [0.0]
  ポートフォリオ割り当てポリシーのオンライン最適化を可能にする強化学習手法であるOnflowを紹介する。 ログ正規資産の場合、トランザクションコストがゼロのOnflowが学んだ戦略は、Markowitzの最適ポートフォリオを模倣している。 オンフローは、他の動的アロケーション技術がもはや機能しないレギュレーションにおいて、効率的であり続けることができる。
  論文  参考訳（メタデータ） (2023-12-08T16:49:19Z)
• 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)
• A Learnheuristic Approach to A Constrained Multi-Objective Portfolio Optimisation Problem [0.0]
  本稿では,多目的ポートフォリオ最適化について検討する。 所定のリターン率のリスクを最小化しつつ、期待したリターンを最大化する目的を達成することを目的としている。
  論文  参考訳（メタデータ） (2023-04-13T17:05:45Z)
• GNN at the Edge: Cost-Efficient Graph Neural Network Processing over Distributed Edge Servers [24.109721494781592]
  グラフニューラルネットワーク(GNN)はまだ探索中であり、その広範な採用に対する大きな違いを示している。 本稿では,多層ヘテロジニアスエッジネットワーク上での分散GNN処理のコスト最適化について検討する。 提案手法は, 高速収束速度で95.8%以上のコスト削減を行い, デファクトベースラインよりも優れた性能が得られることを示す。
  論文  参考訳（メタデータ） (2022-10-31T13:03:16Z)
• Improved Algorithms for Neural Active Learning [74.89097665112621]
  非パラメトリックストリーミング設定のためのニューラルネットワーク(NN)ベースの能動学習アルゴリズムの理論的および経験的性能を改善する。 本研究では,SOTA(State-of-the-art (State-the-art)) 関連研究で使用されるものよりも,アクティブラーニングに適する人口減少を最小化することにより,2つの後悔の指標を導入する。
  論文  参考訳（メタデータ） (2022-10-02T05:03:38Z)
• Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics in Limit-Order Book Markets [84.90242084523565]
  伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。 最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。 予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
  論文  参考訳（メタデータ） (2022-03-07T18:59:54Z)
• Incentive Mechanism Design for Resource Sharing in Collaborative Edge Learning [106.51930957941433]
  5GとBeyondネットワークでは、人工知能のアプリケーションがますます普及すると予想されている。 これは、現在のクラウド中心のモデルトレーニングアプローチから、エッジラーニングとして知られるエッジコンピューティングベースの協調学習スキームへのパラダイムシフトを必要とする。
  論文  参考訳（メタデータ） (2020-05-31T12:45:06Z)
• Stochastic Flows and Geometric Optimization on the Orthogonal Group [52.50121190744979]
  直交群 $O(d)$ 上の幾何駆動最適化アルゴリズムの新しいクラスを示す。 提案手法は,深層,畳み込み,反復的なニューラルネットワーク,強化学習,フロー,メトリック学習など,機械学習のさまざまな分野に適用可能であることを示す。
  論文  参考訳（メタデータ） (2020-03-30T15:37:50Z)

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。