論文の概要: Risk-aware black-box portfolio construction using Bayesian optimization with adaptive weighted Lagrangian estimator
- arxiv url: http://arxiv.org/abs/2504.13529v1
- Date: Fri, 18 Apr 2025 07:40:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-28 16:50:29.86313
- Title: Risk-aware black-box portfolio construction using Bayesian optimization with adaptive weighted Lagrangian estimator
- Title（参考訳）: 適応重み付きラグランジアン推定器を用いたベイズ最適化を用いたリスク対応ブラックボックスポートフォリオの構築
- Authors: Zinuo You, John Cartlidge, Karen Elliott, Menghan Ge, Daniel Gold,
- Abstract要約: 既存のポートフォリオ管理アプローチは、しばしば業界における安全と商業上の問題のためにブラックボックスモデルである。
この研究は、限られた観測の下でブラックボックスポートフォリオ管理モデルを最適化するための新しいベイズ最適化フレームワークを示す。
- 参考スコア（独自算出の注目度）: 3.0525153333866593
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Existing portfolio management approaches are often black-box models due to safety and commercial issues in the industry. However, their performance can vary considerably whenever market conditions or internal trading strategies change. Furthermore, evaluating these non-transparent systems is expensive, where certain budgets limit observations of the systems. Therefore, optimizing performance while controlling the potential risk of these financial systems has become a critical challenge. This work presents a novel Bayesian optimization framework to optimize black-box portfolio management models under limited observations. In conventional Bayesian optimization settings, the objective function is to maximize the expectation of performance metrics. However, simply maximizing performance expectations leads to erratic optimization trajectories, which exacerbate risk accumulation in portfolio management. Meanwhile, this can lead to misalignment between the target distribution and the actual distribution of the black-box model. To mitigate this problem, we propose an adaptive weight Lagrangian estimator considering dual objective, which incorporates maximizing model performance and minimizing variance of model observations. Extensive experiments demonstrate the superiority of our approach over five backtest settings with three black-box stock portfolio management models. Ablation studies further verify the effectiveness of the proposed estimator.
- Abstract（参考訳）: 既存のポートフォリオ管理アプローチは、しばしば業界における安全と商業上の問題のためにブラックボックスモデルである。
しかし、市場状況や内的貿易戦略が変わると、その性能は著しく変化する可能性がある。
さらに、これらの非透明なシステムの評価は高価であり、特定の予算がシステムの観察を制限する。
したがって、これらの金融システムの潜在的なリスクを制御しつつ、パフォーマンスを最適化することが重要な課題となっている。
この研究は、限られた観測の下でブラックボックスポートフォリオ管理モデルを最適化するための新しいベイズ最適化フレームワークを示す。
ベイズ最適化では,性能指標の期待値の最大化が目的である。
しかし、単にパフォーマンスの期待を最大化すれば、ポートフォリオ管理におけるリスク蓄積が悪化する不規則な最適化軌道につながる。
一方、これは対象の分布と実際のブラックボックスモデルの分布との不一致を引き起こす可能性がある。
この問題を緩和するために、モデル性能の最大化とモデル観測のばらつきの最小化を含む2つの目的を考慮した適応重み付きラグランジアン推定器を提案する。
大規模な実験は、ブラックボックスのストックポートフォリオ管理モデルを3つ導入した5つのバックテスト設定に対して、我々のアプローチの優位性を実証している。
アブレーション研究は、提案した推定器の有効性をさらに検証する。
関連論文リスト
- Integrating LLM-Generated Views into Mean-Variance Optimization Using the Black-Litterman Model [27.512468160410588]
そこで本研究では,Black-Litterman フレームワークを用いた大規模言語モデル (LLM) 生成ビューのポートフォリオ最適化への統合について検討する。
提案手法は,LLMを用いて過去の価格や企業のメタデータから期待される株価のリターンを推定し,予測のばらつきを通じて不確実性を取り入れる。
実験結果から,ポートフォリオ性能に影響を及ぼす最適化予測と信頼性安定性のレベルが異なることが示唆された。
論文 参考訳（メタデータ） (2025-04-19T16:26:14Z) - Supervised Optimism Correction: Be Confident When LLMs Are Sure [91.7459076316849]
教師付き微調整とオフライン強化学習の間には,新たな理論的関係が確立されている。
広く使われているビームサーチ法は、許容できない過度な最適化に悩まされていることを示す。
本稿では,トークンレベル$Q$-value推定のための簡易かつ効果的な補助的損失を導入したSupervised Optimism Correctionを提案する。
論文 参考訳（メタデータ） (2025-04-10T07:50:03Z) - Preference-Guided Diffusion for Multi-Objective Offline Optimization [64.08326521234228]
オフライン多目的最適化のための優先誘導拡散モデルを提案する。
我々の指導は、ある設計が他の設計を支配する確率を予測するために訓練された選好モデルである。
本結果は,多種多様な高品質な解を生成する上での分類器誘導拡散モデルの有効性を浮き彫りにした。
論文 参考訳（メタデータ） (2025-03-21T16:49:38Z) - Decision-informed Neural Networks with Large Language Model Integration for Portfolio Optimization [29.30269598267018]
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。
論文 参考訳（メタデータ） (2025-02-02T15:45:21Z) - Explanatory Model Monitoring to Understand the Effects of Feature Shifts on Performance [61.06245197347139]
そこで本研究では,機能シフトによるブラックボックスモデルの振る舞いを説明する新しい手法を提案する。
本稿では,最適輸送と共有値の概念を組み合わせた提案手法について,説明的性能推定として紹介する。
論文 参考訳（メタデータ） (2024-08-24T18:28:19Z) - Robust portfolio optimization for recommender systems considering uncertainty of estimated statistics [2.928964540437144]
本稿では,基数に基づく不確実性集合に基づく推定統計の不確実性に対応する,ロバストなポートフォリオ最適化モデルを提案する。
提案手法は,様々なレーティング予測アルゴリズムの推薦品質を向上させる可能性がある。
論文 参考訳（メタデータ） (2024-06-09T15:42:54Z) - Diffusion Model for Data-Driven Black-Box Optimization [54.25693582870226]
我々は、強力な生成AI技術である拡散モデルに注目し、ブラックボックス最適化の可能性について検討する。
本研究では,1)実数値報酬関数のノイズ測定と,2)対比較に基づく人間の嗜好の2種類のラベルについて検討する。
提案手法は,設計最適化問題を条件付きサンプリング問題に再構成し,拡散モデルのパワーを有効活用する。
論文 参考訳（メタデータ） (2024-03-20T00:41:12Z) - Risk-Controlling Model Selection via Guided Bayesian Optimization [35.53469358591976]
他の競合するメトリクスに対して有用でありながら、特定のリスクに対するユーザ指定の制限に固執する構成を見つけます。
提案手法は,指定された関心領域に属する最適構成の集合を同定する。
提案手法は,低誤差率,等式予測,スプリアス相関処理,生成モデルにおける速度と歪みの管理,計算コストの削減など,複数のデシダラタを用いたタスクに対する有効性を示す。
論文 参考訳（メタデータ） (2023-12-04T07:29:44Z) - When Demonstrations Meet Generative World Models: A Maximum Likelihood
Framework for Offline Inverse Reinforcement Learning [62.00672284480755]
本稿では, 専門家エージェントから, 一定の有限個の実演において観測された動作を過小評価する報酬と環境力学の構造を復元することを目的とする。
タスクを実行するための正確な専門知識モデルは、臨床的意思決定や自律運転のような安全に敏感な応用に応用できる。
論文 参考訳（メタデータ） (2023-02-15T04:14:20Z) - A Nested Weighted Tchebycheff Multi-Objective Bayesian Optimization
Approach for Flexibility of Unknown Utopia Estimation in Expensive Black-box
Design Problems [0.0]
既存の研究では、未知のユートピアを定式化するための重み付きTchebycheff MOBOアプローチが実証されている。
モデルアンサンブルから回帰モデル選択手順を構築する,ネスト重み付きTchebycheff MOBOフレームワークを提案する。
論文 参考訳（メタデータ） (2021-10-16T00:44:06Z) - Modeling the Second Player in Distributionally Robust Optimization [90.25995710696425]
我々は、最悪のケース分布を特徴付けるために神経生成モデルを使うことを議論する。
このアプローチは多くの実装と最適化の課題をもたらします。
提案されたアプローチは、同等のベースラインよりも堅牢なモデルを生み出す。
論文 参考訳（メタデータ） (2021-03-18T14:26:26Z) - Scalable Constrained Bayesian Optimization [10.820024633762596]
ブラックボックス制約下での高次元ブラックボックス関数のグローバルな最適化は、機械学習、制御、科学コミュニティにおける普及的なタスクである。
本稿では,上記の課題を克服し,現状を推し進めるスケーラブルな制約付きベイズ最適化(SCBO)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-02-20T01:48:46Z)
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。