論文の概要: Synthetic Data for Portfolios: A Throw of the Dice Will Never Abolish Chance

• arxiv url: http://arxiv.org/abs/2501.03993v2
• Date: Mon, 13 Jan 2025 14:54:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-14 14:22:57.742782
• Title: Synthetic Data for Portfolios: A Throw of the Dice Will Never Abolish Chance
• Title（参考訳）: Portfoliosのシンセティックデータ: 死の涙でチャンスがなくなることはない
• Authors: Adil Rengim Cetingoz, Charles-Albert Lehalle,
• Abstract要約: 本稿では、特にポートフォリオやリスクマネジメントにおいて、生成モデルの限界についてより深く理解することを目的としている。 私たちは、モデル開発の分離不能な性質と、パラドックスに触れることで望ましいユースケースを強調します。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Simulation methods have always been instrumental in finance, and data-driven methods with minimal model specification, commonly referred to as generative models, have attracted increasing attention, especially after the success of deep learning in a broad range of fields. However, the adoption of these models in financial applications has not kept pace with the growing interest, probably due to the unique complexities and challenges of financial markets. This paper aims to contribute to a deeper understanding of the limitations of generative models, particularly in portfolio and risk management. To this end, we begin by presenting theoretical results on the importance of initial sample size, and point out the potential pitfalls of generating far more data than originally available. We then highlight the inseparable nature of model development and the desired use case by touching on a paradox: generic generative models inherently care less about what is important for constructing portfolios (in particular the long-short ones). Based on these findings, we propose a pipeline for the generation of multivariate returns that meets conventional evaluation standards on a large universe of US equities while being compliant with stylized facts observed in asset returns and turning around the pitfalls we previously identified. Moreover, we insist on the need for more delicate evaluation methods, and suggest, through an example of mean-reversion strategies, a method designed to identify poor models for a given application based on regurgitative training, i.e. retraining the model using the data it has itself generated, which is commonly referred to in statistics as identifiability.
• Abstract（参考訳）: シミュレーション手法は常にファイナンスにおいて有効であり、最小限のモデル仕様を持つデータ駆動手法(一般に生成モデルと呼ばれる)は、特に幅広い分野におけるディープラーニングの成功以降、注目を集めている。 しかし、金融アプリケーションにおけるこれらのモデルの採用は、おそらく金融市場の特異な複雑さと課題のために、関心の高まりに追随していない。 本稿では、特にポートフォリオやリスクマネジメントにおいて、生成モデルの限界についてより深く理解することを目的としている。 この目的のために、初期サンプルサイズの重要性に関する理論的結果を提示し、当初よりもはるかに多くのデータを生成する潜在的な落とし穴を指摘することから始める。 次に、モデル開発の分離不能な性質と、パラドックスに触れることで望ましいユースケースを強調します。 これらの知見に基づき、米国株式の大規模な宇宙における従来の評価基準を満たすマルチ変数リターンのパイプラインを提案し、資産リターンで観測されたスタイル化された事実に準拠し、我々が以前に確認した落とし穴を回避した。 さらに、我々は、より繊細な評価手法の必要性を主張し、平均回帰戦略(平均回帰戦略)の例を通して、あるアプリケーションに対する貧弱なモデルを学習訓練に基づいて識別する手法、すなわち、それ自身が生成したデータを用いてモデルを再訓練する手法を提案する。

関連論文リスト

• Data-Centric AI Governance: Addressing the Limitations of Model-Focused Policies [40.92400015183777]
  強力なAI能力に関する現在の規制は、"境界"または"フロンティア"モデルに絞られている。 これらの用語は曖昧で一貫性のない定義であり、ガバナンス活動の不安定な基盤につながります。 本稿では,モデルがもたらすリスクを評価する上で,データセットのサイズや内容が重要な要因であることを示す。
  論文  参考訳（メタデータ） (2024-09-25T17:59:01Z)
• On Least Square Estimation in Softmax Gating Mixture of Experts [78.3687645289918]
  決定論的MoEモデルに基づく最小二乗推定器(LSE)の性能について検討する。 我々は,多種多様な専門家関数の収束挙動を特徴付けるために,強い識別可能性という条件を確立する。 本研究は,専門家の選択に重要な意味を持つ。
  論文  参考訳（メタデータ） (2024-02-05T12:31:18Z)
• Generative Machine Learning for Multivariate Equity Returns [0.0]
  本研究では,条件付き重み付きオートエンコーダと条件付き正規化フローの有効性について検討した。 私たちが取り組んだ主な問題は、S&P 500の全てのメンバーの関節分布をモデル化すること、すなわち500次元の関節分布を学習することである。 この生成モデルは、現実的な合成データの生成、ボラティリティと相関推定、リスク分析、ポートフォリオ最適化など、金融に幅広い応用があることが示される。
  論文  参考訳（メタデータ） (2023-11-21T18:41:48Z)
• A transformer-based model for default prediction in mid-cap corporate markets [13.535770763481905]
  時価総額が100億ドル未満の中堅企業について調査する。 中間項の既定確率項構造を予測することを目的とする。 私たちは、どのデータソースがデフォルトのリスクに最も貢献しているかを理解しています。
  論文  参考訳（メタデータ） (2021-11-18T19:01:00Z)
• Consistent Counterfactuals for Deep Models [25.1271020453651]
  ファクトファクトの例は、金融や医療診断といった重要な領域における機械学習モデルの予測を説明するために使用される。 本稿では,初期訓練条件に小さな変更を加えた深層ネットワークにおける実例に対するモデル予測の整合性について検討する。
  論文  参考訳（メタデータ） (2021-10-06T23:48:55Z)
• Adaptive learning for financial markets mixing model-based and model-free RL for volatility targeting [0.0]
  モデルフリー強化学習は安定した環境において有意義な成果を上げてきたが、今日でも金融市場のような環境の変化に問題がある。 モデルフリーな深層強化学習により,様々なモデルベースアプローチを選択することで,この2つの手法のベストを組み合わせることを提案する。
  論文  参考訳（メタデータ） (2021-04-19T19:20:22Z)
• Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
  現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。 本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。 次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
  論文  参考訳（メタデータ） (2020-10-25T18:51:15Z)
• Goal-directed Generation of Discrete Structures with Conditional Generative Models [85.51463588099556]
  本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。 提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
  論文  参考訳（メタデータ） (2020-10-05T20:03:13Z)
• On the model-based stochastic value gradient for continuous reinforcement learning [50.085645237597056]
  モデルベースエージェントは,サンプル効率と最終報酬の両方の観点から,最先端のモデルフリーエージェントより優れていることを示す。 以上の結果から,モデルに基づく政策評価がより注目に値することが示唆された。
  論文  参考訳（メタデータ） (2020-08-28T17:58:29Z)
• Relating by Contrasting: A Data-efficient Framework for Multimodal Generative Models [86.9292779620645]
  生成モデル学習のための対照的なフレームワークを開発し、モダリティ間の共通性だけでなく、「関連」と「関連しない」マルチモーダルデータの区別によってモデルを訓練することができる。 提案手法では, 生成モデルを用いて, 関係のないサンプルから関連サンプルを正確に識別し, ラベルのない多モードデータの利用が可能となる。
  論文  参考訳（メタデータ） (2020-07-02T15:08:11Z)
• Plausible Counterfactuals: Auditing Deep Learning Classifiers with Realistic Adversarial Examples [84.8370546614042]
  ディープラーニングモデルのブラックボックスの性質は、彼らがデータから何を学ぶかについて、未回答の疑問を提起している。 GAN(Generative Adversarial Network)とマルチオブジェクトは、監査されたモデルに妥当な攻撃を与えるために使用される。 その実用性は人間の顔の分類タスクの中で示され、提案されたフレームワークの潜在的可能性を明らかにしている。
  論文  参考訳（メタデータ） (2020-03-25T11:08:56Z)

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。