論文の概要: Improving Bayesian Optimization for Portfolio Management with an Adaptive Scheduling

• arxiv url: http://arxiv.org/abs/2504.13529v2
• Date: Wed, 03 Sep 2025 10:54:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 17:24:09.135635
• Title: Improving Bayesian Optimization for Portfolio Management with an Adaptive Scheduling
• Title（参考訳）: 適応スケジューリングによるポートフォリオ管理のためのベイズ最適化の改善
• Authors: Zinuo You, John Cartlidge, Karen Elliott, Menghan Ge, Daniel Gold,
• Abstract要約: ブラックボックスのポートフォリオ管理システムは、商業的および安全上の制約により金融業界で普及している。 本研究は,限られた観測予算下でのブラックボックスポートフォリオモデルの探索安定性と効率を向上させる新しいベイズ最適化フレームワーク(TPE-AS)を提案する。
• 参考スコア（独自算出の注目度）: 3.762438746800248
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing black-box portfolio management systems are prevalent in the financial industry due to commercial and safety constraints, though their performance can fluctuate dramatically with changing market regimes. Evaluating these non-transparent systems is computationally expensive, as fixed budgets limit the number of possible observations. Therefore, achieving stable and sample-efficient optimization for these systems has become a critical challenge. This work presents a novel Bayesian optimization framework (TPE-AS) that improves search stability and efficiency for black-box portfolio models under these limited observation budgets. Standard Bayesian optimization, which solely maximizes expected return, can yield erratic search trajectories and misalign the surrogate model with the true objective, thereby wasting the limited evaluation budget. To mitigate these issues, we propose a weighted Lagrangian estimator that leverages an adaptive schedule and importance sampling. This estimator dynamically balances exploration and exploitation by incorporating both the maximization of model performance and the minimization of the variance of model observations. It guides the search from broad, performance-seeking exploration towards stable and desirable regions as the optimization progresses. Extensive experiments and ablation studies, which establish our proposed method as the primary approach and other configurations as baselines, demonstrate its effectiveness across four backtest settings with three distinct black-box portfolio management models.
• Abstract（参考訳）: 既存のブラックボックスポートフォリオ管理システムは、商業的および安全上の制約により金融業界で普及しているが、その性能は市場体制の変化とともに劇的に変動する可能性がある。 固定予算が観測可能な回数を制限するため、これらの非透明なシステムを評価するのは計算コストがかかる。 したがって、これらのシステムに対して安定かつサンプル効率の最適化を実現することは、重要な課題となっている。 本研究は,これらの限られた観測予算の下で,ブラックボックスポートフォリオモデルの探索安定性と効率を向上させる新しいベイズ最適化フレームワーク(TPE-AS)を提案する。 標準ベイズ最適化は、単に期待されるリターンを最大化するだけであり、不規則な探索軌跡を生じさせ、真の目的でサロゲートモデルを誤調整し、限られた評価予算を無駄にすることができる。 これらの問題を緩和するために,適応型スケジュールと重要サンプリングを利用する重み付きラグランジアン推定器を提案する。 この推定器は、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両立させることにより、探索と利用の動的バランスをとる。 最適化が進むにつれて、広範囲でパフォーマンスを追求する探索から、安定的で望ましい領域への探索を導く。 提案手法を主要なアプローチとして確立し,他の構成をベースラインとして,ブラックボックスポートフォリオ管理モデルを用いた4つのバックテスト環境での有効性を実証した。

関連論文リスト

• Towards Reliable, Uncertainty-Aware Alignment [12.63619480522393]
  オープンソースベンチマークにおける報酬モデルトレーニングの多様性について検討する。 本稿では、好みに基づくアライメントのための分散対応ポリシー最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-21T12:51:29Z)
• Faster MoE LLM Inference for Extremely Large Models [75.57674991584608]
  きめ細かいMoEモデルは人気を集めているが、研究は限られている。 アクティベートされた専門家の数を削減すれば、特定のシナリオにおける大幅な効率改善につながる可能性がある。 性能劣化を伴わずにスループットを少なくとも10%向上させることができる。
  論文  参考訳（メタデータ） (2025-05-06T13:41:17Z)
• 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)
• Mean-Variance Efficient Collaborative Filtering for Stock Recommendation [25.72157859795055]
  ストックレコメンデーションのための平均分散効率的な協調フィルタリング(MVECF)モデルを提案する。 我々のモデルは、リスク(リターンのばらつき)とリターン(リターン)のトレードオフにおいて、株価の不確実性を体系的に扱うことにより、パレート最適性を改善するように設計されている。
  論文  参考訳（メタデータ） (2023-06-11T04:51:29Z)
• 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。