論文の概要: Variable selection for minimum-variance portfolios

• arxiv url: http://arxiv.org/abs/2508.14986v1
• Date: Wed, 20 Aug 2025 18:14:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-22 16:26:46.06262
• Title: Variable selection for minimum-variance portfolios
• Title（参考訳）: 最小分散ポートフォリオに対する可変選択
• Authors: Guilherme V. Moura, André P. Santos, Hudson S. Torrent,
• Abstract要約: 我々は、ファームレベル特性の大きなプールの関数として、最小分散ポートフォリオ重み付けをパラメータ化する。 MLを用いて関連する予測器を選択することで得られる利益は、かなり大きい。 ポートフォリオリスクの低減に役立つ選択された予測器のいくつかは、リターンも向上する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning (ML) methods have been successfully employed in identifying variables that can predict the equity premium of individual stocks. In this paper, we investigate if ML can also be helpful in selecting variables relevant for optimal portfolio choice. To address this question, we parameterize minimum-variance portfolio weights as a function of a large pool of firm-level characteristics as well as their second-order and cross-product transformations, yielding a total of 4,610 predictors. We find that the gains from employing ML to select relevant predictors are substantial: minimum-variance portfolios achieve lower risk relative to sparse specifications commonly considered in the literature, especially when non-linear terms are added to the predictor space. Moreover, some of the selected predictors that help decreasing portfolio risk also increase returns, leading to minimum-variance portfolios with good performance in terms of Shape ratios in some situations. Our evidence suggests that ad-hoc sparsity can be detrimental to the performance of minimum-variance characteristics-based portfolios.
• Abstract（参考訳）: 機械学習(ML)手法は、個々の株式の株価プレミアムを予測する変数の特定に成功している。 本稿では,最適ポートフォリオ選択に関連する変数を選択する上で,MLが有効かどうかを検討する。 この問題に対処するために、我々は、最小分散ポートフォリオ重み付けを、ファームレベル特性のプールと、その2次およびクロスプロダクト変換の関数としてパラメタライズし、合計4,610個の予測値を得た。 最小分散ポートフォリオは、特に予測空間に非線形項を追加する場合、文献でよく見られるスパース仕様と比較してリスクを低くする。 さらに、ポートフォリオリスクの低減に役立つ選択された予測器のいくつかは、リターンも増加し、いくつかの状況において、形状比の点で優れたパフォーマンスを持つ最小分散ポートフォリオへと繋がる。 我々の証拠は、極小分散特性に基づくポートフォリオのパフォーマンスに、アドホック空間が有害であることを示している。

関連論文リスト

• Revisiting Essential and Nonessential Settings of Evidential Deep Learning [70.82728812001807]
  Evidential Deep Learning (EDL) は不確実性推定の新しい手法である。 本報告では,EDLの簡易かつ効果的な拡張型であるRe-EDLを提案する。
  論文  参考訳（メタデータ） (2024-10-01T04:27:07Z)
• Return Prediction for Mean-Variance Portfolio Selection: How Decision-Focused Learning Shapes Forecasting Models [25.72157859795055]
  意思決定学習は、予測と最適化を統合して意思決定結果を改善する。 本研究では、DFLが平均分散最適化(MVO)における決定を最適化するために、ストックリターン予測モデルをどのように調整するかを検討する。 その結果,予測誤差が高いにもかかわらず,DFLが優れたポートフォリオ性能を実現する理由が明らかになった。
  論文  参考訳（メタデータ） (2024-09-15T10:37:11Z)
• 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)
• 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)
• Forecasting Large Realized Covariance Matrices: The Benefits of Factor Models and Shrinkage [1.0323063834827415]
  我々は、標準のファームレベル因子を用いてリターン共分散行列を分解し、残差共分散行列のセクシャル制限を用いる。 提案手法は,標準ベンチマークと比較して精度が向上し,最小分散ポートフォリオの推定精度が向上する。
  論文  参考訳（メタデータ） (2023-03-22T16:38:22Z)
• Project and Probe: Sample-Efficient Domain Adaptation by Interpolating Orthogonal Features [119.22672589020394]
  多様な特徴の集合を学習し,これらの特徴を補間することによって対象分布に適応する,軽量でサンプル効率のよい手法を提案する。 複数の分散シフト設定を持つ4つのデータセットに対する実験により、Pro$2$は、限られたターゲットデータが与えられた場合、パフォーマンスを5～15%向上することが示された。
  論文  参考訳（メタデータ） (2023-02-10T18:58:03Z)
• Empirical Asset Pricing via Ensemble Gaussian Process Regression [4.281723404774889]
  我々のアンサンブル学習アプローチは、GPR推論に固有の計算複雑性を著しく減少させる。 本手法は,統計的,経済的に既存の機械学習モデルを支配している。 これは不確実な投資家にアピールし、S&P500を上回る等級と重み付けの予測対象ポートフォリオを圧倒的に上回っている。
  論文  参考訳（メタデータ） (2022-12-02T09:37:29Z)
• LoCoV: low dimension covariance voting algorithm for portfolio optimization [0.0]
  ポートフォリオ最適化のランダム行列の側面を分析し,サンプル最適ポートフォリオ重みにおける誤差の順序を同定する。 また、ランダムサンプルから継承した誤差を低減するために、LoCoVアルゴリズム(低次元共分散投票)を提供する。
  論文  参考訳（メタデータ） (2022-04-01T04:42:56Z)
• SUMO: Unbiased Estimation of Log Marginal Probability for Latent Variable Models [80.22609163316459]
  無限級数のランダム化トランケーションに基づく潜在変数モデルに対して、ログ境界確率の非バイアス推定器とその勾配を導入する。 推定器を用いてトレーニングしたモデルは、同じ平均計算コストに対して、標準的な重要度サンプリングに基づくアプローチよりも優れたテストセット確率を与えることを示す。
  論文  参考訳（メタデータ） (2020-04-01T11:49:30Z)
• TPLVM: Portfolio Construction by Student's $t$-process Latent Variable Model [3.5408022972081694]
  我々は,低次元の潜伏変数による財務時系列の非ガウス的変動を記述するために,学生のTPLVM($t$-process latent variable model)を提案する。 これらのポートフォリオを比較することで、提案されたポートフォリオが既存のガウスプロセス潜在変数モデルよりも優れていることを確認した。
  論文  参考訳（メタデータ） (2020-01-29T02:02:02Z)

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。