論文の概要: Decision-informed Neural Networks with Large Language Model Integration for Portfolio Optimization

• arxiv url: http://arxiv.org/abs/2502.00828v1
• Date: Sun, 02 Feb 2025 15:45:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-05 14:56:14.527173
• Title: Decision-informed Neural Networks with Large Language Model Integration for Portfolio Optimization
• Title（参考訳）: ポートフォリオ最適化のための大規模言語モデル統合を用いた決定インフォームニューラルネットワーク
• Authors: Yoontae Hwang, Yaxuan Kong, Stefan Zohren, Yongjae Lee,
• Abstract要約: 本稿では,ポートフォリオ最適化における予測と意思決定品質の重大な相違について論じる。 我々は,大規模言語モデル(LLM)の表現力を投資決定に活用する。 S&P100とDOW30データセットの実験から、私たちのモデルは最先端のディープラーニングモデルよりも一貫して優れています。
• 参考スコア（独自算出の注目度）: 29.30269598267018
• License:
• Abstract: This paper addresses the critical disconnect between prediction and decision quality in portfolio optimization by integrating Large Language Models (LLMs) with decision-focused learning. We demonstrate both theoretically and empirically that minimizing the prediction error alone leads to suboptimal portfolio decisions. We aim to exploit the representational power of LLMs for investment decisions. An attention mechanism processes asset relationships, temporal dependencies, and macro variables, which are then directly integrated into a portfolio optimization layer. This enables the model to capture complex market dynamics and align predictions with the decision objectives. Extensive experiments on S\&P100 and DOW30 datasets show that our model consistently outperforms state-of-the-art deep learning models. In addition, gradient-based analyses show that our model prioritizes the assets most crucial to decision making, thus mitigating the effects of prediction errors on portfolio performance. These findings underscore the value of integrating decision objectives into predictions for more robust and context-aware portfolio management.
• Abstract（参考訳）: 本稿では,Large Language Models (LLMs) と決定中心学習を統合することで,ポートフォリオ最適化における予測と意思決定品質の相違について論じる。 予測誤差の最小化だけでは最適ポートフォリオ決定につながるという理論と実証の両方を実証する。 LLMの表現力を投資決定に活用することを目指しています。 注意機構は資産関係、時間的依存関係、マクロ変数を処理し、ポートフォリオ最適化層に直接統合する。 これにより、複雑な市場のダイナミクスを捉えることができ、予測と意思決定の目的を一致させることができる。 S\&P100とDOW30データセットの大規模な実験により、我々のモデルは最先端のディープラーニングモデルよりも一貫して優れています。 さらに、勾配に基づく分析により、我々のモデルは意思決定において最も重要な資産を優先し、ポートフォリオのパフォーマンスに予測誤差が及ぼす影響を緩和することを示した。 これらの結果は、意思決定目標をより堅牢でコンテキスト対応のポートフォリオ管理の予測に組み込むことの価値を浮き彫りにした。

関連論文リスト

• Leveraging Convolutional Neural Network-Transformer Synergy for Predictive Modeling in Risk-Based Applications [5.914777314371152]
  本稿では,CNN(Convolutional Neural Network)とTransformerを組み合わせたディープラーニングモデルを提案する。 その結果、CNN+Transformerモデルは、ランダムフォレストやXGBoostといった従来の機械学習モデルよりも優れていることがわかった。 本研究は、信用デフォルト予測の新しいアイデアを提供し、金融分野におけるリスク評価と知的意思決定を強力に支援する。
  論文  参考訳（メタデータ） (2024-12-24T07:07:14Z)
• Conformal Predictive Portfolio Selection [10.470114319701576]
  共形予測による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,対応する予測インターバルを計算し,これらのインターバルに基づいて興味のポートフォリオを選択する。 本稿では,ARモデルに適用することでCPPSフレームワークの有効性を実証し,実証実験によりその性能を検証した。
  論文  参考訳（メタデータ） (2024-10-19T15:42:49Z)
• On the Modeling Capabilities of Large Language Models for Sequential Decision Making [52.128546842746246]
  大規模な事前訓練されたモデルでは、推論や計画タスクのパフォーマンスがますます向上している。 我々は、直接的または間接的に、意思決定ポリシーを作成する能力を評価する。 未知の力学を持つ環境において、合成データを用いた微調整LDMが報酬モデリング能力を大幅に向上させる方法について検討する。
  論文  参考訳（メタデータ） (2024-10-08T03:12:57Z)
• Anatomy of Machines for Markowitz: Decision-Focused Learning for Mean-Variance Portfolio Optimization [27.791742749950203]
  意思決定学習は、予測と最適化を統合して意思決定結果を改善する。 MSEは全ての資産のエラーを等しく扱うが、DFLはどのように異なる資産のエラーを減らせるのか? 本研究は,MVOにおける意思決定を最適化するために,DFLがストックリターン予測モデルをどのように調整するかを検討することを目的とする。
  論文  参考訳（メタデータ） (2024-09-15T10:37:11Z)
• Deep Reinforcement Learning and Mean-Variance Strategies for Responsible Portfolio Optimization [49.396692286192206]
  本研究では,ESG状態と目的を取り入れたポートフォリオ最適化のための深層強化学習について検討する。 以上の結果から,ポートフォリオアロケーションに対する平均分散アプローチに対して,深層強化学習政策が競争力を発揮する可能性が示唆された。
  論文  参考訳（メタデータ） (2024-03-25T12:04:03Z)
• Optimizing $CO_{2}$ Capture in Pressure Swing Adsorption Units: A Deep Neural Network Approach with Optimality Evaluation and Operating Maps for Decision-Making [0.0]
  本研究は,二酸化炭素捕捉用加圧湿式吸着ユニットの高機能化に焦点をあてる。 2つのディープニューラルネットワーク(DNN)モデルからなるマルチインプット・シングルアウトプット(MISO)フレームワークを開発し,実装した。 このアプローチは、実行可能な運用領域(FOR)を明確にし、最適な意思決定シナリオのスペクトルを強調した。
  論文  参考訳（メタデータ） (2023-12-06T19:43:37Z)
• 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)
• Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models [51.3422222472898]
  ニュース見出しを用いて,ChatGPTのような大規模言語モデル(LLM)の株価変動を予測する能力について述べる。 我々は,情報容量制約,過小反応,制限対アビタージュ,LLMを組み込んだ理論モデルを構築した。
  論文  参考訳（メタデータ） (2023-04-15T19:22:37Z)
• Forethought and Hindsight in Credit Assignment [62.05690959741223]
  我々は、前向きモデルや後向きモデルによる後向き操作による予測として使われる計画の利益と特異性を理解するために活動する。 本稿では,予測を(再)評価すべき状態の選択に主眼を置いて,計画におけるモデルの利用について検討する。
  論文  参考訳（メタデータ） (2020-10-26T16:00:47Z)
• Rethinking Generalization of Neural Models: A Named Entity Recognition Case Study [81.11161697133095]
  NERタスクをテストベッドとして、異なる視点から既存モデルの一般化挙動を分析する。 詳細な分析による実験は、既存のニューラルNERモデルのボトルネックを診断する。 本論文の副産物として,最近のNER論文の包括的要約を含むプロジェクトをオープンソース化した。
  論文  参考訳（メタデータ） (2020-01-12T04:33:53Z)

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。