論文の概要: Conformal Predictive Portfolio Selection

• arxiv url: http://arxiv.org/abs/2410.16333v1
• Date: Sat, 19 Oct 2024 15:42:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-23 14:27:04.286213
• Title: Conformal Predictive Portfolio Selection
• Title（参考訳）: Conformal Predictive Portfolio Selection
• Authors: Masahiro Kato,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 10.470114319701576
• License:
• Abstract: This study explores portfolio selection using predictive models for portfolio returns. Portfolio selection is a fundamental task in finance, and various methods have been developed to achieve this goal. For example, the mean-variance approach constructs portfolios by balancing the trade-off between the mean and variance of asset returns, while the quantile-based approach optimizes portfolios by accounting for tail risk. These traditional methods often rely on distributional information estimated from historical data. However, a key concern is the uncertainty of future portfolio returns, which may not be fully captured by simple reliance on historical data, such as using the sample average. To address this, we propose a framework for predictive portfolio selection using conformal inference, called Conformal Predictive Portfolio Selection (CPPS). Our approach predicts future portfolio returns, computes corresponding prediction intervals, and selects the desirable portfolio based on these intervals. The framework is flexible and can accommodate a variety of predictive models, including autoregressive (AR) models, random forests, and neural networks. We demonstrate the effectiveness of our CPPS framework using an AR model and validate its performance through empirical studies, showing that it provides superior returns compared to simpler strategies.
• Abstract（参考訳）: 本研究では,ポートフォリオリターンの予測モデルを用いたポートフォリオ選択について検討する。 ポートフォリオの選択は金融の基本的な課題であり、この目標を達成するために様々な方法が開発されている。 例えば、平均分散アプローチは資産の利益の平均と分散の間のトレードオフをバランスさせてポートフォリオを構築し、一方、Quantileベースのアプローチは、テールリスクを考慮してポートフォリオを最適化する。 これらの伝統的な手法は、しばしば歴史的データから推定される分布情報に依存する。 しかし、重要な懸念は、将来のポートフォリオリターンの不確実性であり、サンプル平均の使用など、過去のデータへの単純な依存によって、完全には捉えられない可能性がある。 そこで我々は, Conformal Predictive Portfolio Selection (CPPS) と呼ばれる共形推論を用いた予測ポートフォリオ選択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。 このフレームワークは柔軟で、自動回帰(AR)モデル、ランダムフォレスト、ニューラルネットワークなど、さまざまな予測モデルに対応できる。 我々は,ARモデルを用いてCPPSフレームワークの有効性を実証し,その性能を実証研究により検証し,より単純な戦略よりも優れたリターンを提供することを示した。

関連論文リスト

• SePPO: Semi-Policy Preference Optimization for Diffusion Alignment [67.8738082040299]
  本稿では、報酬モデルやペアの人間注釈データに頼ることなく、DMと好みを一致させる選好最適化手法を提案する。 テキスト・ツー・イメージとテキスト・ツー・ビデオのベンチマークでSePPOを検証する。
  論文  参考訳（メタデータ） (2024-10-07T17:56:53Z)
• Bridging and Modeling Correlations in Pairwise Data for Direct Preference Optimization [75.1240295759264]
  本稿では,BMC という名前のペアデータにおけるブリッジ・アンド・モデリングの効果的なフレームワークを提案する。 目的の修正によって、ペアの選好信号の一貫性と情報性が向上する。 DPOだけではこれらの相関をモデル化し、ニュアンス付き変動を捉えるには不十分である。
  論文  参考訳（メタデータ） (2024-08-14T11:29:47Z)
• Large-scale Time-Varying Portfolio Optimisation using Graph Attention Networks [4.2056926734482065]
  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。
  論文  参考訳（メタデータ） (2024-07-22T10:50:47Z)
• DeepClair: Utilizing Market Forecasts for Effective Portfolio Selection [29.43115584494825]
  ポートフォリオ選択のための新しいフレームワークであるDeepClairを紹介します。 DeepClairは、トランスフォーマーベースの時系列予測モデルを活用して、市場のトレンドを予測する。
  論文  参考訳（メタデータ） (2024-07-18T11:51:03Z)
• Mean-Variance Portfolio Selection in Long-Term Investments with Unknown Distribution: Online Estimation, Risk Aversion under Ambiguity, and Universality of Algorithms [0.0]
  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。
  論文  参考訳（メタデータ） (2024-06-19T12:11:42Z)
• Rejection via Learning Density Ratios [50.91522897152437]
  拒絶による分類は、モデルを予測しないことを許容する学習パラダイムとして現れます。 そこで我々は,事前学習したモデルの性能を最大化する理想的なデータ分布を求める。 私たちのフレームワークは、クリーンでノイズの多いデータセットで実証的にテストされます。
  論文  参考訳（メタデータ） (2024-05-29T01:32:17Z)
• Ensemble Modeling for Multimodal Visual Action Recognition [50.38638300332429]
  マルチモーダル動作認識のためのアンサンブルモデリング手法を提案する。 我々は,MECCANO[21]データセットの長期分布を処理するために,焦点損失の変種を用いて,個別のモダリティモデルを個別に訓練する。
  論文  参考訳（メタデータ） (2023-08-10T08:43:20Z)
• Prediction-Oriented Bayesian Active Learning [51.426960808684655]
  予測情報ゲイン(EPIG)は、パラメータではなく予測空間における情報ゲインを測定する。 EPIGは、さまざまなデータセットやモデルにわたるBALDと比較して、予測パフォーマンスが向上する。
  論文  参考訳（メタデータ） (2023-04-17T10:59:57Z)
• Distributionally Robust End-to-End Portfolio Construction [0.0]
  データから直接、リスク耐性パラメータとロバストネスの程度を学習する方法を示す。 本稿では,ポートフォリオ構築のためのエンドツーエンドの分散ロバストシステムを提案する。
  論文  参考訳（メタデータ） (2022-06-10T14:16:22Z)
• 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)
• Meta-Learned Confidence for Few-shot Learning [60.6086305523402]
  数ショットのメトリックベースのアプローチのための一般的なトランスダクティブ推論手法は、最も確実なクエリ例の平均で、各クラスのプロトタイプを更新することである。 本稿では,各クエリの信頼度をメタラーニングして,ラベルのないクエリに最適な重みを割り当てる手法を提案する。 4つのベンチマークデータセットに対してメタ学習の信頼度で、少数ショットの学習モデルを検証した。
  論文  参考訳（メタデータ） (2020-02-27T10:22:17Z)

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。