論文の概要: Uncertainty-Aware Strategies: A Model-Agnostic Framework for Robust Financial Optimization through Subsampling

• arxiv url: http://arxiv.org/abs/2506.07299v1
• Date: Sun, 08 Jun 2025 21:55:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-10 21:10:47.101477
• Title: Uncertainty-Aware Strategies: A Model-Agnostic Framework for Robust Financial Optimization through Subsampling
• Title（参考訳）: 不確実性認識戦略:サブサンプリングによるロバストな金融最適化のためのモデルに依存しないフレームワーク
• Authors: Hans Buehler, Blanka Horvath, Yannick Limmer, Thorsten Schmidt,
• Abstract要約: 本稿では,定量的ファイナンスにおけるモデル不確実性の問題に対処する。 ポートフォリオ割り当て、デリバティブ価格、リスク管理の決定は、限られたデータからモデルを推定することに依存する。 従来の金融リスク対策によって動機付けられた外的「不確実性尺度」をモデル空間に重ね合わせます。
• 参考スコア（独自算出の注目度）: 0.7916373508978822
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This paper addresses the challenge of model uncertainty in quantitative finance, where decisions in portfolio allocation, derivative pricing, and risk management rely on estimating stochastic models from limited data. In practice, the unavailability of the true probability measure forces reliance on an empirical approximation, and even small misestimations can lead to significant deviations in decision quality. Building on the framework of Klibanoff et al. (2005), we enhance the conventional objective - whether this is expected utility in an investing context or a hedging metric - by superimposing an outer "uncertainty measure", motivated by traditional monetary risk measures, on the space of models. In scenarios where a natural model distribution is lacking or Bayesian methods are impractical, we propose an ad hoc subsampling strategy, analogous to bootstrapping in statistical finance and related to mini-batch sampling in deep learning, to approximate model uncertainty. To address the quadratic memory demands of naive implementations, we also present an adapted stochastic gradient descent algorithm that enables efficient parallelization. Through analytical, simulated, and empirical studies - including multi-period, real data and high-dimensional examples - we demonstrate that uncertainty measures outperform traditional mixture of measures strategies and our model-agnostic subsampling-based approach not only enhances robustness against model risk but also achieves performance comparable to more elaborate Bayesian methods.
• Abstract（参考訳）: 本稿では,ポートフォリオ配分,デリバティブ価格,リスク管理における決定が,限られたデータから確率的モデルを推定することに依存する,定量的金融におけるモデル不確実性の問題に対処する。 実際には、真の確率測度が適用不可能であることは、経験的近似に頼り、たとえ小さな誤算であっても、決定の質に大きなずれを引き起こす可能性がある。 Klibanoff et al (2005) の枠組みに基づいて、従来の金融リスク対策によって動機付けられた外的「不確実性尺度」をモデル空間に重ね合わせることにより、投資状況における実用性が期待されているか、あるいはヘッジ指標であるかという従来の目的を強化する。 自然モデル分布の欠如やベイズ法が実用的でないシナリオでは,統計的金融のブートストラップに類似し,ディープラーニングにおけるミニバッチサンプリングに関連するアドホックなサブサンプリング戦略を提案し,モデルの不確かさを近似する。 また,2次メモリ要求に対処するために,効率的な並列化を実現する確率勾配降下アルゴリズムを提案する。 解析的・シミュレーション的・実証的研究(多周期・実データ・高次元の例を含む)を通じて、不確実性尺度が従来の測度戦略とモデルに依存しないサブサンプリングに基づくアプローチの混合よりも優れており、モデルリスクに対するロバスト性を高めるだけでなく、より精巧なベイズ手法に匹敵する性能を達成することを実証する。

関連論文リスト

• Confidence in Large Language Model Evaluation: A Bayesian Approach to Limited-Sample Challenges [13.526258635654882]
  本研究では,大規模言語モデル(LLM)能力評価のためのベイズ的アプローチを提案する。 モデル機能を潜時変数として扱い、キュレートされたクエリセットを利用して識別応答を誘導する。 GPTシリーズモデルを用いた実験により,提案手法は従来の評価手法よりも優れた識別性が得られることが示された。
  論文  参考訳（メタデータ） (2025-04-30T04:24:50Z)
• Look Before Leap: Look-Ahead Planning with Uncertainty in Reinforcement Learning [4.902161835372679]
  モデルに基づく探索計画を用いた不確実性を考慮したポリシー最適化のための新しいフレームワークを提案する。 政策最適化フェーズでは、不確実性駆動型探索政策を活用し、多様なトレーニングサンプルを積極的に収集する。 我々のアプローチは、様々な状態/行動空間と報酬構造を持つタスクに柔軟性と適用性を提供します。
  論文  参考訳（メタデータ） (2025-03-26T01:07:35Z)
• Uncertainty Quantification and Propagation in Surrogate-based Bayesian Inference [1.1383507019490222]
  代理モデルはより複雑なシミュレーションモデルに対する概念近似である。 代理体の不確かさを定量化し、伝播することは、通常、特別な分析ケースに限られる。 本稿では,測定データを用いた代理モデルを用いたベイズ推定の3つの手法を提案する。
  論文  参考訳（メタデータ） (2023-12-08T16:31:52Z)
• Model-Based Epistemic Variance of Values for Risk-Aware Policy Optimization [59.758009422067]
  モデルベース強化学習における累積報酬に対する不確実性を定量化する問題を考察する。 我々は、解が値の真後分散に収束する新しい不確実性ベルマン方程式(UBE)を提案する。 本稿では,リスク・サーキングとリスク・アバース・ポリシー最適化のいずれにも適用可能な汎用ポリシー最適化アルゴリズムQ-Uncertainty Soft Actor-Critic (QU-SAC)を導入する。
  論文  参考訳（メタデータ） (2023-12-07T15:55:58Z)
• Measuring and Modeling Uncertainty Degree for Monocular Depth Estimation [50.920911532133154]
  単分子深度推定モデル(MDE)の本質的な不適切さと順序感性は、不確かさの程度を推定する上で大きな課題となる。 本稿では,MDEモデルの不確かさを固有確率分布の観点からモデル化する。 新たなトレーニング正規化用語を導入することで、驚くほど単純な構成で、余分なモジュールや複数の推論を必要とせずに、最先端の信頼性で不確実性を推定できる。
  論文  参考訳（メタデータ） (2023-07-19T12:11:15Z)
• Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics in Limit-Order Book Markets [84.90242084523565]
  伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。 最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。 予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
  論文  参考訳（メタデータ） (2022-03-07T18:59:54Z)
• COMBO: Conservative Offline Model-Based Policy Optimization [120.55713363569845]
  ディープニューラルネットワークのような複雑なモデルによる不確実性推定は困難であり、信頼性が低い。 我々は,サポート外状態動作の値関数を正規化するモデルベースオフラインRLアルゴリズムCOMBOを開発した。 従来のオフラインモデルフリーメソッドやモデルベースメソッドと比べて、comboは一貫してパフォーマンスが良いことが分かりました。
  論文  参考訳（メタデータ） (2021-02-16T18:50:32Z)

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。