論文の概要: Latent Variable Estimation in Bayesian Black-Litterman Models

• arxiv url: http://arxiv.org/abs/2505.02185v1
• Date: Sun, 04 May 2025 17:05:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-06 18:49:35.476486
• Title: Latent Variable Estimation in Bayesian Black-Litterman Models
• Title（参考訳）: ベイズブラック・リッターマンモデルにおける潜時変動推定
• Authors: Thomas Y. L. Lin, Jerry Yao-Chieh Hu, Paul W. Chiou, Peter Lin,
• Abstract要約: ベイジアン・ブラック・リッターマン(BL)ポートフォリオモデルを再検討し、主観的な投資家の見解への依存を取り除く。 私たちのキーとなるアイデアは、$(q,Omega)$を潜伏変数として扱い、1つのベイズネットワーク内の市場データからそれらを学ぶことです。 シャープ比を50%改善し,Markowitzおよびインデックスベースラインと比較して55%削減する。
• 参考スコア（独自算出の注目度）: 1.1718316049475228
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: We revisit the Bayesian Black-Litterman (BL) portfolio model and remove its reliance on subjective investor views. Classical BL requires an investor "view": a forecast vector $q$ and its uncertainty matrix $\Omega$ that describe how much a chosen portfolio should outperform the market. Our key idea is to treat $(q,\Omega)$ as latent variables and learn them from market data within a single Bayesian network. Consequently, the resulting posterior estimation admits closed-form expression, enabling fast inference and stable portfolio weights. Building on these, we propose two mechanisms to capture how features interact with returns: shared-latent parametrization and feature-influenced views; both recover classical BL and Markowitz portfolios as special cases. Empirically, on 30-year Dow-Jones and 20-year sector-ETF data, we improve Sharpe ratios by 50% and cut turnover by 55% relative to Markowitz and the index baselines. This work turns BL into a fully data-driven, view-free, and coherent Bayesian framework for portfolio optimization.
• Abstract（参考訳）: ベイジアン・ブラック・リッターマン(BL)ポートフォリオモデルを再検討し、主観的な投資家の見解への依存を取り除く。 予測ベクトル$q$とその不確実性行列$\Omega$は、選択したポートフォリオが市場をどれだけ上回るかを記述する。 私たちのキーとなるアイデアは、$(q,\Omega)$を潜伏変数として扱い、1つのベイズネットワーク内の市場データからそれらを学ぶことです。 その結果、結果として得られた後続推定はクローズドフォーム表現を認め、高速な推測と安定したポートフォリオ重み付けを可能にした。 そこで本研究では,従来のBLとMarkowitzのポートフォリオを特殊ケースとして回収する,共有遅延パラメトリゼーションと特徴影響ビューという2つのメカニズムを提案する。 実証的に、30年間のダウ・ジョーンズと20年間のセクター・ETFのデータに基づいて、シャープ比を50%改善し、マルコウィッツと指数ベースラインに対して55%のターンオーバーを削減した。 この作業は、BLを完全なデータ駆動、ビューフリー、そしてポートフォリオ最適化のための一貫性のあるベイズ的フレームワークに変える。

関連論文リスト

• Enhancing Black-Litterman Portfolio via Hybrid Forecasting Model Combining Multivariate Decomposition and Noise Reduction [11.590999423372361]
  本稿では,SSA,MA-EMD,TNを組み合わせたハイブリッドディープラーニングモデルを提案する。 我々は、NASDAQ100指数から20の代表株を用いて投資ポートフォリオを構築する。 ハイブリッド予測モデルとブラック・リッターマンモデルを組み合わせることで、生成された投資ポートフォリオは、より良いリターンとリスクコントロール能力を示す。
  論文  参考訳（メタデータ） (2025-05-03T10:52:57Z)
• 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)
• MM-RLHF: The Next Step Forward in Multimodal LLM Alignment [59.536850459059856]
  MM-RLHF, $mathbf120k$ fine-fine, human-annotated preference comparison pairsを含むデータセットを紹介する。 本稿では,報酬モデルの品質向上とアライメントアルゴリズムの効率向上のために,いくつかの重要なイノベーションを提案する。 我々のアプローチは、$mathbf10$の異なる次元と$mathbf27$のベンチマークで厳格に評価されている。
  論文  参考訳（メタデータ） (2025-02-14T18:59:51Z)
• 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)
• Large-scale Time-Varying Portfolio Optimisation using Graph Attention Networks [4.2056926734482065]
  本研究では、中規模企業における30年間のデータを活用し、距離相関と三角最大フィルタグラフを用いた企業のグラフを作成する。 GATベースのモデルが生み出すポートフォリオは、すべてのベンチマークより優れており、長期にわたって他の戦略よりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2024-07-22T10:50:47Z)
• Diffusion Variational Autoencoder for Tackling Stochasticity in Multi-Step Regression Stock Price Prediction [54.21695754082441]
  長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。 多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。 深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。 本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-18T16:21:15Z)
• Sparse MoEs meet Efficient Ensembles [49.313497379189315]
  このようなモデルの2つの一般的なクラス、すなわちニューラルネットワークのアンサンブルと専門家のスパースミックス(スパースMoE)の相互作用について研究する。 Efficient Ensemble of Experts (E$3$)は、両モデルのクラスを最大限に活用するスケーラブルでシンプルなMoEのアンサンブルであり、深いアンサンブルよりも最大45%少ないFLOPを使用する。
  論文  参考訳（メタデータ） (2021-10-07T11:58:35Z)
• Cauchy-Schwarz Regularized Autoencoder [68.80569889599434]
  変分オートエンコーダ(VAE)は、強力で広く使われている生成モデルのクラスである。 GMMに対して解析的に計算できるCauchy-Schwarz分散に基づく新しい制約対象を導入する。 本研究の目的は,密度推定,教師なしクラスタリング,半教師なし学習,顔分析における変分自動エンコーディングモデルの改善である。
  論文  参考訳（メタデータ） (2021-01-06T17:36:26Z)
• RobustBench: a standardized adversarial robustness benchmark [84.50044645539305]
  ロバストネスのベンチマークにおける主な課題は、その評価がしばしばエラーを起こし、ロバストネス過大評価につながることである。 我々は,白箱攻撃と黒箱攻撃のアンサンブルであるAutoAttackを用いて,敵対的ロバスト性を評価する。 分散シフト,キャリブレーション,アウト・オブ・ディストリビューション検出,フェアネス,プライバシリーク,スムースネス,転送性に対するロバスト性の影響を解析した。
  論文  参考訳（メタデータ） (2020-10-19T17:06:18Z)

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。