論文の概要: DeltaHedge: A Multi-Agent Framework for Portfolio Options Optimization

• arxiv url: http://arxiv.org/abs/2509.12753v1
• Date: Tue, 16 Sep 2025 07:14:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-17 17:50:52.938715
• Title: DeltaHedge: A Multi-Agent Framework for Portfolio Options Optimization
• Title（参考訳）: DeltaHedge: ポートフォリオオプション最適化のためのマルチエージェントフレームワーク
• Authors: Feliks Bańka, Jarosław A. Chudziak,
• Abstract要約: DeltaHedgeは、AI駆動のポートフォリオ管理と取引するオプションを統合する、マルチエージェントフレームワークである。 実験の結果、DeltaHedgeは従来の戦略やスタンドアロンモデルよりも優れています。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In volatile financial markets, balancing risk and return remains a significant challenge. Traditional approaches often focus solely on equity allocation, overlooking the strategic advantages of options trading for dynamic risk hedging. This work presents DeltaHedge, a multi-agent framework that integrates options trading with AI-driven portfolio management. By combining advanced reinforcement learning techniques with an ensembled options-based hedging strategy, DeltaHedge enhances risk-adjusted returns and stabilizes portfolio performance across varying market conditions. Experimental results demonstrate that DeltaHedge outperforms traditional strategies and standalone models, underscoring its potential to transform practical portfolio management in complex financial environments. Building on these findings, this paper contributes to the fields of quantitative finance and AI-driven portfolio optimization by introducing a novel multi-agent system for integrating options trading strategies, addressing a gap in the existing literature.
• Abstract（参考訳）: 不安定な金融市場では、リスクとリターンのバランスが依然として大きな課題である。 伝統的なアプローチは、しばしば、動的リスクヘッジのために取引されるオプションの戦略的利点を見越して、株式割当にのみフォーカスする。 この作業では、選択肢とAI駆動のポートフォリオ管理を統合するマルチエージェントフレームワークであるDeltaHedgeを紹介している。 高度な強化学習技術とアンサンブルされたオプションベースのヘッジ戦略を組み合わせることで、DeltaHedgeはリスク調整されたリターンを強化し、さまざまな市場条件でポートフォリオパフォーマンスを安定化する。 実験の結果、DeltaHedgeは従来の戦略やスタンドアローンモデルよりも優れており、複雑な金融環境における実際のポートフォリオ管理を変革する可能性を示している。 これらの知見に基づいて,オプショントレーディング戦略を統合する新しいマルチエージェントシステムを導入し,既存の文献のギャップに対処することによって,定量的ファイナンスとAIによるポートフォリオ最適化の分野に寄与する。

関連論文リスト

• Building crypto portfolios with agentic AI [46.348283638884425]
  暗号通貨市場の急速な成長は投資家に新たな機会を与えたが、同時に高いボラティリティがもたらされた。 本稿では,暗号アロケーションを自律的に構築し,評価するためのマルチエージェントシステムの実用化について述べる。
  論文  参考訳（メタデータ） (2025-07-11T18:03:51Z)
• Your Offline Policy is Not Trustworthy: Bilevel Reinforcement Learning for Sequential Portfolio Optimization [82.03139922490796]
  強化学習(Reinforcement Learning, RL)は、過去のデータを用いたリスクを最小限にしつつ累積リターンを最大化することを目的とした、株式取引のような逐次的ポートフォリオ最適化タスクにおいて、大きな可能性を示してきた。 従来のRLアプローチは、固定データセット内での振る舞いの購入と販売を最適に記憶するだけのポリシーを生成することが多い。 当社のアプローチでは,ポートフォリオ最適化を新たなタイプの部分オフラインRL問題として捉え,2つの技術的貢献を行う。
  論文  参考訳（メタデータ） (2025-05-19T06:37:25Z)
• Deep Reinforcement Learning for Investor-Specific Portfolio Optimization: A Volatility-Guided Asset Selection Approach [2.2835610890984164]
  本研究では,投資家のリスクプロファイルに基づいてポートフォリオを動的に構築するボラティリティ誘導型ポートフォリオ最適化フレームワークを提案する。 提案手法の有効性はダウ30ドル指数の株を用いて確立された。
  論文  参考訳（メタデータ） (2025-04-20T10:17:37Z)
• EPO: Explicit Policy Optimization for Strategic Reasoning in LLMs via Reinforcement Learning [69.55982246413046]
  戦略的推論のための明示的なポリシー最適化(EPO)を提案する。 我々は,マルチターン強化学習(RL)による戦略的推論モデルを訓練し,プロセス報酬と反復的な自己プレイを活用する。 本研究は, EPOに出現する様々な協調的推論機構と, 新規戦略の創出における有効性を明らかにするものである。
  論文  参考訳（メタデータ） (2025-02-18T03:15:55Z)
• Automate Strategy Finding with LLM in Quant Investment [15.475504003134787]
  本稿では,大規模言語モデル(LLM)をリスク認識型マルチエージェントシステム内で活用し,定量的ファイナンスにおける戦略発見を自動化する新しい3段階フレームワークを提案する。 本手法は,金融分野における従来のディープラーニングモデルの脆さに対処するものである。 実験結果は、確立されたベンチマークと比較して、中国とアメリカの市場体制における戦略の堅牢な性能を示している。
  論文  参考訳（メタデータ） (2024-09-10T07:42:28Z)
• Explainable Post hoc Portfolio Management Financial Policy of a Deep Reinforcement Learning agent [44.99833362998488]
  我々はポートフォリオ管理のための新しい説明可能な深層強化学習(XDRL)アプローチを開発した。 方法論を実践することにより、エージェントの行動を予測する時間内に解釈し、投資政策の要件に従うかどうかを評価することができる。
  論文  参考訳（メタデータ） (2024-07-19T17:40:39Z)
• Deep Reinforcement Learning and Mean-Variance Strategies for Responsible Portfolio Optimization [49.396692286192206]
  本研究では,ESG状態と目的を取り入れたポートフォリオ最適化のための深層強化学習について検討する。 以上の結果から,ポートフォリオアロケーションに対する平均分散アプローチに対して,深層強化学習政策が競争力を発揮する可能性が示唆された。
  論文  参考訳（メタデータ） (2024-03-25T12:04:03Z)
• Can Perturbations Help Reduce Investment Risks? Risk-Aware Stock Recommendation via Split Variational Adversarial Training [44.7991257631318]
  本稿では,リスクを意識したストックレコメンデーションのための新しいSVAT法を提案する。 株式レコメンデーションモデルのボラティリティを下げることで、SVATは投資リスクを効果的に低減し、リスク調整利益の点で最先端のベースラインを30%以上上回ります。
  論文  参考訳（メタデータ） (2023-04-20T12:10:12Z)
• MetaTrader: An Reinforcement Learning Approach Integrating Diverse Policies for Portfolio Optimization [17.759687104376855]
  ポートフォリオ管理のための新しい2段階的アプローチを提案する。 最初の段階では、強化学習フレームワークに模倣学習を組み込む。 第2段階では、メタ政治を学び、市場状況を認識し、従うべき最も適切な学習方針を決定する。
  論文  参考訳（メタデータ） (2022-09-01T07:58:06Z)

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。