論文の概要: End-to-End Large Portfolio Optimization for Variance Minimization with Neural Networks through Covariance Cleaning

• arxiv url: http://arxiv.org/abs/2507.01918v1
• Date: Wed, 02 Jul 2025 17:27:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 14:23:00.398776
• Title: End-to-End Large Portfolio Optimization for Variance Minimization with Neural Networks through Covariance Cleaning
• Title（参考訳）: 共分散クリーニングによるニューラルネットワークによる可変最小化のためのエンド・ツー・エンド大規模ポートフォリオ最適化
• Authors: Christian Bongiorno, Efstratios Manolakis, Rosario Nunzio Mantegna,
• Abstract要約: 我々は,世界規模の最小分散ポートフォリオを提供する回転不変ニューラルネットワークを開発した。 この明示的な数学的写像は各加群の役割を明確に解釈できる。 単一モデルは数百株のパネルで校正でき、再訓練せずに1000米国株に適用される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We develop a rotation-invariant neural network that provides the global minimum-variance portfolio by jointly learning how to lag-transform historical returns and how to regularise both the eigenvalues and the marginal volatilities of large equity covariance matrices. This explicit mathematical mapping offers clear interpretability of each module's role, so the model cannot be regarded as a pure black-box. The architecture mirrors the analytical form of the global minimum-variance solution yet remains agnostic to dimension, so a single model can be calibrated on panels of a few hundred stocks and applied, without retraining, to one thousand US equities-a cross-sectional jump that demonstrates robust out-of-sample generalisation. The loss function is the future realized minimum portfolio variance and is optimized end-to-end on real daily returns. In out-of-sample tests from January 2000 to December 2024 the estimator delivers systematically lower realised volatility, smaller maximum drawdowns, and higher Sharpe ratios than the best analytical competitors, including state-of-the-art non-linear shrinkage. Furthermore, although the model is trained end-to-end to produce an unconstrained (long-short) minimum-variance portfolio, we show that its learned covariance representation can be used in general optimizers under long-only constraints with virtually no loss in its performance advantage over competing estimators. These gains persist when the strategy is executed under a highly realistic implementation framework that models market orders at the auctions, empirical slippage, exchange fees, and financing charges for leverage, and they remain stable during episodes of acute market stress.
• Abstract（参考訳）: 我々は,大容量共分散行列の固有値と限界変動性の両方を正則化する方法を共同で学習することにより,大域的な最小分散ポートフォリオを提供する回転不変ニューラルネットワークを開発した。 この明示的な数学的写像は各加群の役割を明確に解釈できるので、モデルは純粋なブラックボックスと見なすことはできない。 このアーキテクチャは、大域的最小分散解の分析形式を反映するが、次元に依存しないため、単一のモデルを数百の株のパネルでキャリブレーションし、再訓練せずに適用することができる。 損失関数は、将来実現される最小限のポートフォリオ分散であり、実際の日々のリターンに対してエンドツーエンドに最適化されている。 2000年1月から2024年12月までのサンプル外試験では、推定器は、最先端の非線形縮小を含む最も優れた分析競合相手よりも、体系的に実現されたボラティリティ、最小のドローダウン、シャープ比を低下させる。 さらに、このモデルは、制約のない(長短の)最小分散ポートフォリオを生成するためにエンドツーエンドに訓練されているが、学習された共分散表現は、競合する推定器よりも性能上の優位性をほとんど失わずに、長期限定の制約下で一般的なオプティマイザで使用できることを示す。 これらの利益は、オークション、実証的な滑り込み、取引手数料、レバレッジの資金調達手数料をモデル化する非常に現実的な実装フレームワークの下で戦略が実行され、急激な市場ストレスのエピソードの間も安定しているときに継続する。

関連論文リスト

• Enhancing Black-Litterman Portfolio via Hybrid Forecasting Model Combining Multivariate Decomposition and Noise Reduction [13.04801847533423]
  本稿では,ビュー生成プロセスの自動化と改善を目的としたハイブリッド予測モデルSSA-MAEMD-TCNを提案する。 ナスダック100指数の実証試験では、ベースラインモデルと比較して予測性能が大幅に改善した。 最適化されたポートフォリオは、年次リターンとシャープ比率が従来のポートフォリオよりもはるかに高いため、うまく機能する。
  論文  参考訳（メタデータ） (2025-05-03T10:52:57Z)
• Feasible Learning [78.6167929413604]
  本稿では,サンプル中心の学習パラダイムであるFeasible Learning(FL)を紹介する。 大規模言語モデルにおける画像分類, 年齢回帰, 好みの最適化といった経験的分析により, FLを用いて訓練したモデルでは, 平均的性能に限界があるものの, ERMと比較して改善された尾の挙動を示しながらデータから学習できることが実証された。
  論文  参考訳（メタデータ） (2025-01-24T20:39:38Z)
• Mean-Variance Portfolio Selection in Long-Term Investments with Unknown Distribution: Online Estimation, Risk Aversion under Ambiguity, and Universality of Algorithms [0.0]
  本稿では、データを徐々に、そして継続的に明らかにする視点を採用する。 オリジナルのモデルはオンライン学習フレームワークに再キャストされ、統計的仮定は一切含まない。 将来のデータの分布が正常な形に従えば、リスク回避のキャリブレーションにより、効率的なフロンティアに沿ってポートフォリオを持ち上げることにより、富の成長率が向上することを示す。
  論文  参考訳（メタデータ） (2024-06-19T12:11:42Z)
• Portfolio Optimization with Robust Covariance and Conditional Value-at-Risk Constraints [0.0]
  各種のLedoit Shrinkage CovarianceおよびRobust Gerber CovarianceMatrixを用いた大容量ポートフォリオの性能評価を行った。 堅牢性評価は、特に強気相場で、市場資本化の重み付けされたベンチマークポートフォリオを上回る可能性がある。 我々は最適化アルゴリズムに教師なしクラスタリングアルゴリズムK平均を組み込んだ。
  論文  参考訳（メタデータ） (2024-06-02T03:50:20Z)
• Rejection via Learning Density Ratios [50.91522897152437]
  拒絶による分類は、モデルを予測しないことを許容する学習パラダイムとして現れます。 そこで我々は,事前学習したモデルの性能を最大化する理想的なデータ分布を求める。 私たちのフレームワークは、クリーンでノイズの多いデータセットで実証的にテストされます。
  論文  参考訳（メタデータ） (2024-05-29T01:32:17Z)
• 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)
• Robustifying Markowitz [3.154269505086154]
  金融時系列のヘビーテール特性は、実際にはこれらの重みの不安定な変動の原因である。 我々は,世界最小のMarkowitzポートフォリオのコストと重みを安定化するためのツールボックスを提案する。 我々は、ロバスト化されたポートフォリオが縮小ベースのポートフォリオや制約されたポートフォリオよりも低いターンオーバーに達することを実証した。
  論文  参考訳（メタデータ） (2022-12-28T18:09:14Z)
• Regularizing Variational Autoencoder with Diversity and Uncertainty Awareness [61.827054365139645]
  変分オートエンコーダ(VAE)は、償却変分推論に基づいて潜伏変数の後部を近似する。 よりディバースで不確実な潜在空間を学習するための代替モデルDU-VAEを提案する。
  論文  参考訳（メタデータ） (2021-10-24T07:58:13Z)

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。