論文の概要: Large-scale portfolio optimization with variational neural annealing

• arxiv url: http://arxiv.org/abs/2507.07159v1
• Date: Wed, 09 Jul 2025 17:46:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-11 16:40:15.157403
• Title: Large-scale portfolio optimization with variational neural annealing
• Title（参考訳）: 変動型ニューラルアニールを用いた大規模ポートフォリオ最適化
• Authors: Nishan Ranabhat, Behnam Javanparast, David Goerz, Estelle Inack,
• Abstract要約: ターンオーバー制限やトランザクションコストといった現実の制約の下では、ポートフォリオ最適化は混合整数非線形プログラムとなる。 我々は、この問題を古典的イジング様ハミルトニアンにマッピングし、変分アニーリング(VNA)を用いて解くことを提案する。 VNAは2000以上の資産に対して最適に近い解を特定でき、モスキーのような最先端の定式化に匹敵する性能が得られることを実証する。
• 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: Portfolio optimization is a routine asset management operation conducted in financial institutions around the world. However, under real-world constraints such as turnover limits and transaction costs, its formulation becomes a mixed-integer nonlinear program that current mixed-integer optimizers often struggle to solve. We propose mapping this problem onto a classical Ising-like Hamiltonian and solving it with Variational Neural Annealing (VNA), via its classical formulation implemented using autoregressive neural networks. We demonstrate that VNA can identify near-optimal solutions for portfolios comprising more than 2,000 assets and yields performance comparable to that of state-of-the-art optimizers, such as Mosek, while exhibiting faster convergence on hard instances. Finally, we present a dynamical finite-size scaling analysis applied to the S&P 500, Russell 1000, and Russell 3000 indices, revealing universal behavior and polynomial annealing time scaling of the VNA algorithm on portfolio optimization problems.
• Abstract（参考訳）: ポートフォリオ最適化(Portfolio optimization)は、世界中の金融機関で行われている定期的な資産管理業務である。 しかし、ターンオーバー制限やトランザクションコストといった現実的な制約の下では、その定式化は、現在の混合整数最適化者が解決に苦慮する混合整数非線形プログラムとなる。 本稿では,この問題を古典的イジング様ハミルトニアンにマッピングし,自己回帰ニューラルネットワークを用いた古典的定式化により,変分ニューラルアニーリング(VNA)を用いて解くことを提案する。 我々は,2000以上の資産からなるポートフォリオに対して,VNAが最適に近い解を識別し,モスキーのような最先端の最適化手法に匹敵する性能を得られることを実証した。 最後に,S&P 500,Russell 1000,Russell 3000の指標に適用した動的有限サイズスケーリング解析を行い,ポートフォリオ最適化問題に対するVNAアルゴリズムの普遍的挙動と多項式アニール時間スケーリングを明らかにした。

関連論文リスト

• A RankNet-Inspired Surrogate-Assisted Hybrid Metaheuristic for Expensive Coverage Optimization [5.757318591302855]
  大規模カバレッジ最適化タスクを処理するために,RangeNetによるSurrogate支援ハイブリッドメタヒューリスティックを提案する。 我々のアルゴリズムは、EMVOPの最先端アルゴリズムを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-01-13T14:49:05Z)
• Deep learning enhanced mixed integer optimization: Learning to reduce model dimensionality [0.0]
  この研究は、Mixed-Integer Programmingに固有の計算複雑性に対処するフレームワークを導入する。 ディープラーニングを利用することで、MIPインスタンス間の共通構造を特定し、活用する問題固有モデルを構築する。 本稿では,モデルの堅牢性と一般化性を高める合成データを生成するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-01-17T19:15:13Z)
• Achieving Constraints in Neural Networks: A Stochastic Augmented Lagrangian Approach [49.1574468325115]
  DNN(Deep Neural Networks)の正規化は、一般化性の向上とオーバーフィッティングの防止に不可欠である。 制約付き最適化問題としてトレーニングプロセスのフレーミングによるDNN正規化に対する新しいアプローチを提案する。 我々はAugmented Lagrangian (SAL) 法を用いて、より柔軟で効率的な正規化機構を実現する。
  論文  参考訳（メタデータ） (2023-10-25T13:55:35Z)
• Federated Multi-Level Optimization over Decentralized Networks [55.776919718214224]
  エージェントが隣人としか通信できないネットワーク上での分散マルチレベル最適化の問題について検討する。 ネットワーク化されたエージェントが1つの時間スケールで異なるレベルの最適化問題を解くことができる新しいゴシップに基づく分散マルチレベル最適化アルゴリズムを提案する。 提案アルゴリズムは, ネットワークサイズと線形にスケーリングし, 各種アプリケーション上での最先端性能を示す。
  論文  参考訳（メタデータ） (2023-10-10T00:21:10Z)
• Federated Conditional Stochastic Optimization [110.513884892319]
  条件付き最適化は、不変学習タスク、AUPRC、AMLなど、幅広い機械学習タスクで見られる。 本稿では,分散フェデレーション学習のためのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-04T01:47:37Z)
• Slimmable Domain Adaptation [112.19652651687402]
  重み付けモデルバンクを用いて、ドメイン間の一般化を改善するためのシンプルなフレームワーク、Slimmable Domain Adaptationを導入する。 私たちのフレームワークは、他の競合するアプローチを、複数のベンチマークにおいて非常に大きなマージンで上回ります。
  論文  参考訳（メタデータ） (2022-06-14T06:28:04Z)
• Comparing Classical-Quantum Portfolio Optimization with Enhanced Constraints [0.0]
  ポートフォリオ最適化問題に基本的な分析を加え、選択したバランスシートのメトリクスに基づいて資産固有の制約とグローバルな制約を追加する方法について述べる。 我々は、D-Waveの量子プロセッサを用いて、そのような問題を解決するための最先端のアルゴリズムを解析し、商用で利用可能な最適化ソフトウェアで得られるソリューションの品質を比較した。
  論文  参考訳（メタデータ） (2022-03-09T17:46:32Z)
• Neural Stochastic Dual Dynamic Programming [99.80617899593526]
  我々は、問題インスタンスを断片的線形値関数にマッピングすることを学ぶトレーニング可能なニューラルモデルを導入する。 $nu$-SDDPは、ソリューションの品質を犠牲にすることなく、問題解決コストを大幅に削減できる。
  論文  参考訳（メタデータ） (2021-12-01T22:55:23Z)
• Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
  マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。 我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。 コア最適化問題の実用的なパラメトリゼーションを提供する。
  論文  参考訳（メタデータ） (2021-07-08T18:01:02Z)
• Solving the Optimal Trading Trajectory Problem Using Simulated Bifurcation [0.0]
  シミュレーション分岐(SB)に基づく最適化手法を用いて,前例のない計算速度で整数ポートフォリオとトラジェクトリ問題を解く。 最大1000の資産のポートフォリオに対して,ポートフォリオとしての新しいユースケースと取引路としてのSBアルゴリズムのパワーをすでに確認した上で,最初の数値結果を示す。
  論文  参考訳（メタデータ） (2020-09-17T16:42:04Z)

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。