論文の概要: A Fully Analog Pipeline for Portfolio Optimization

• arxiv url: http://arxiv.org/abs/2411.06566v1
• Date: Sun, 10 Nov 2024 19:09:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-12 14:07:00.636232
• Title: A Fully Analog Pipeline for Portfolio Optimization
• Title（参考訳）: ポートフォリオ最適化のための完全なアナログパイプライン
• Authors: James S. Cummins, Natalia G. Berloff,
• Abstract要約: ポートフォリオ最適化問題を解くために,エネルギー効率,高速,完全アナログパイプラインを提案する。 バックプロパゲーションのアナログである平衡伝播を用いて線形自己エンコーダニューラルネットワークを訓練する。 そして、アナログ連続ホップフィールドネットワークは、所望の戻り値に対して最小分散ポートフォリオを出力する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Portfolio optimization is a ubiquitous problem in financial mathematics that relies on accurate estimates of covariance matrices for asset returns. However, estimates of pairwise covariance could be better and calculating time-sensitive optimal portfolios is energy-intensive for digital computers. We present an energy-efficient, fast, and fully analog pipeline for solving portfolio optimization problems that overcomes these limitations. The analog paradigm leverages the fundamental principles of physics to recover accurate optimal portfolios in a two-step process. Firstly, we utilize equilibrium propagation, an analog alternative to backpropagation, to train linear autoencoder neural networks to calculate low-rank covariance matrices. Then, analog continuous Hopfield networks output the minimum variance portfolio for a given desired expected return. The entire efficient frontier may then be recovered, and an optimal portfolio selected based on risk appetite.
• Abstract（参考訳）: ポートフォリオ最適化(Portfolio optimization)は、資産返却のための共分散行列の正確な推定に依存する、金融数学におけるユビキタスな問題である。 しかし、ペアの共分散の見積もりはより良くなり、時間に敏感な最適ポートフォリオを計算することは、デジタルコンピュータにとってエネルギー集約的である。 これらの制限を克服するポートフォリオ最適化問題を解決するために,エネルギー効率,高速,完全アナログパイプラインを提案する。 アナログパラダイムは物理学の基本原理を利用して、2段階のプロセスで正確な最適ポートフォリオを復元する。 まず、バックプロパゲーションのアナログである平衡伝播を用いて、線形自己エンコーダニューラルネットワークを訓練し、低ランクな共分散行列を計算する。 そして、アナログ連続ホップフィールドネットワークは、所望の戻り値に対して最小分散ポートフォリオを出力する。 効率の良いフロンティア全体が回収され、リスク食欲に基づいて最適なポートフォリオが選択される。

関連論文リスト

• Quantifying the advantages of applying quantum approximate algorithms to portfolio optimisation [0.0]
  本稿では、離散的大域的最小分散ポートフォリオモデルを解決するために、エンドツーエンドの量子近似最適化アルゴリズム(QAOA)を提案する。 このモデルでは、取引された資産の個数に最もリスクが低いリスク資産のポートフォリオを見出す。
  論文  参考訳（メタデータ） (2024-10-21T17:59:05Z)
• A Stochastic Approach to Bi-Level Optimization for Hyperparameter Optimization and Meta Learning [74.80956524812714]
  我々は,現代のディープラーニングにおいて広く普及している一般的なメタ学習問題に対処する。 これらの問題は、しばしばBi-Level Optimizations (BLO)として定式化される。 我々は,与えられたBLO問題を,内部損失関数が滑らかな分布となり,外損失が内部分布に対する期待損失となるようなii最適化に変換することにより,新たな視点を導入する。
  論文  参考訳（メタデータ） (2024-10-14T12:10:06Z)
• Provably Mitigating Overoptimization in RLHF: Your SFT Loss is Implicitly an Adversarial Regularizer [52.09480867526656]
  人間の嗜好を学習する際の分布変化と不確実性の一形態として,不一致の原因を同定する。 過度な最適化を緩和するために、まず、逆選択された報酬モデルに最適なポリシーを選択する理論アルゴリズムを提案する。 報奨モデルとそれに対応する最適ポリシーの等価性を用いて、優先最適化損失と教師付き学習損失を組み合わせた単純な目的を特徴とする。
  論文  参考訳（メタデータ） (2024-05-26T05:38:50Z)
• 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)
• Backpropagation of Unrolled Solvers with Folded Optimization [55.04219793298687]
  ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。 1つの典型的な戦略はアルゴリズムのアンローリングであり、これは反復解法の操作による自動微分に依存している。 本稿では,非ロール最適化の後方通過に関する理論的知見を提供し,効率よく解けるバックプロパゲーション解析モデルを生成するシステムに繋がる。
  論文  参考訳（メタデータ） (2023-01-28T01:50:42Z)
• Nearly Minimax Optimal Reinforcement Learning for Linear Markov Decision Processes [80.89852729380425]
  そこで本研究では,最小限の最小残差である$tilde O(dsqrtH3K)$を計算効率よく実現したアルゴリズムを提案する。 我々の研究は線形 MDP を用いた最適 RL に対する完全な答えを提供する。
  論文  参考訳（メタデータ） (2022-12-12T18:58:59Z)
• Revisiting Optimal Convergence Rate for Smooth and Non-convex Stochastic Decentralized Optimization [25.831902182404388]
  分散最適化は、大規模機械学習におけるコミュニケーションの節約に有効である。 本稿では,一般重量行列を用いた最適収束アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-10-14T14:34:32Z)
• A Quantum Online Portfolio Optimization Algorithm [0.0]
  我々はHelmboldらによる既存の古典的オンラインポートフォリオ最適化アルゴリズムのサンプリング版を提供し、量子バージョンを開発する。 量子的優位性は、量子状態の準備や内部積推定といった技術を用いて達成される。 我々の量子アルゴリズムは、ポートフォリオの資産数である$n$という観点で、時間の複雑さの2次的なスピードアップを提供する。
  論文  参考訳（メタデータ） (2022-08-31T09:51:32Z)
• Dynamic Asset Allocation with Expected Shortfall via Quantum Annealing [0.0]
  本稿では,動的アセット割り当て問題を解決するために,ハイブリッド量子古典アルゴリズムを提案する。 D-Waveの2000QとAdvantageの量子アニールの結果を実世界の財務データを用いて比較する。 高い相関関係を持つ資産の実験は、より優れた性能を発揮する傾向にあり、近い将来、実用的な量子アプリケーションを設計するのに役立つかもしれない。
  論文  参考訳（メタデータ） (2021-12-06T17:39:43Z)
• Solving the Optimal Trading Trajectory Problem Using Simulated Bifurcation [0.0]
  シミュレーション分岐(SB)に基づく最適化手法を用いて,前例のない計算速度で整数ポートフォリオとトラジェクトリ問題を解く。 最大1000の資産のポートフォリオに対して,ポートフォリオとしての新しいユースケースと取引路としてのSBアルゴリズムのパワーをすでに確認した上で,最初の数値結果を示す。
  論文  参考訳（メタデータ） (2020-09-17T16:42:04Z)
• Approximation Algorithms for Sparse Principal Component Analysis [57.5357874512594]
  主成分分析(PCA)は、機械学習と統計学において広く使われている次元削減手法である。 スパース主成分分析(Sparse principal Component Analysis)と呼ばれる,スパース主成分負荷を求める様々な手法が提案されている。 本研究では,SPCA問題に対するしきい値の精度,時間,近似アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-23T04:25:36Z)

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。