論文の概要: From Headlines to Holdings: Deep Learning for Smarter Portfolio Decisions

• arxiv url: http://arxiv.org/abs/2509.24144v1
• Date: Mon, 29 Sep 2025 00:42:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.659808
• Title: From Headlines to Holdings: Deep Learning for Smarter Portfolio Decisions
• Title（参考訳）: ヘッドラインからホールディングス:よりスマートなポートフォリオ決定のためのディープラーニング
• Authors: Yun Lin, Jiawei Lou, Jinghe Zhang,
• Abstract要約: ディープラーニングを用いてポートフォリオの重みを学習するエンドツーエンドフレームワークを提案する。 我々は、セクターの多様性とニュース報道のバランスをとるために選ばれた6つのセクターにまたがる9つの米国株の枠組みを評価する。 株式の世界は限られているが、結果はポートフォリオ管理のための価格、リレーショナル、感情信号の統合の価値を浮き彫りにしている。
• 参考スコア（独自算出の注目度）: 4.288926547930663
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Deep learning offers new tools for portfolio optimization. We present an end-to-end framework that directly learns portfolio weights by combining Long Short-Term Memory (LSTM) networks to model temporal patterns, Graph Attention Networks (GAT) to capture evolving inter-stock relationships, and sentiment analysis of financial news to reflect market psychology. Unlike prior approaches, our model unifies these elements in a single pipeline that produces daily allocations. It avoids the traditional two-step process of forecasting asset returns and then applying mean--variance optimization (MVO), a sequence that can introduce instability. We evaluate the framework on nine U.S. stocks spanning six sectors, chosen to balance sector diversity and news coverage. In this setting, the model delivers higher cumulative returns and Sharpe ratios than equal-weighted and CAPM-based MVO benchmarks. Although the stock universe is limited, the results underscore the value of integrating price, relational, and sentiment signals for portfolio management and suggest promising directions for scaling the approach to larger, more diverse asset sets.
• Abstract（参考訳）: ディープラーニングはポートフォリオ最適化のための新しいツールを提供する。 本稿では,長期記憶(LSTM)ネットワークと時間パターンをモデル化するグラフ注意ネットワーク(GAT)を組み合わせることで,ポートフォリオの重みを直接学習するエンド・ツー・エンドのフレームワークを提案する。 従来のアプローチとは異なり、当社のモデルはこれらの要素を1つのパイプラインに統合し、毎日のアロケーションを生成する。 資産のリターンを予測し、不安定性をもたらすことのできる平均分散最適化(MVO)を適用するという従来の2段階プロセスを回避する。 我々は、セクターの多様性とニュース報道のバランスをとるために選ばれた6つのセクターにまたがる9つの米国株の枠組みを評価する。 この設定では、同じ重み付きおよびCAPMベースのMVOベンチマークよりも高い累積リターンとシャープ比を提供する。 株式の世界は限られているが、結果はポートフォリオ管理のための価格、リレーショナル、感情信号の統合の価値を強調し、より大きく多様な資産にアプローチを拡大するための有望な方向性を示唆している。

関連論文リスト

• 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)
• STORM: A Spatio-Temporal Factor Model Based on Dual Vector Quantized Variational Autoencoders for Financial Trading [55.02735046724146]
  金融取引では、ファクターモデルが資産の価格設定や過大なリターンの獲得に広く利用されている。 双対ベクトル量子化変分オートエンコーダを用いた時空間ファクトラーモデルSTORMを提案する。 ストームは時間的および空間的な視点からストックの特徴を抽出し、これらの特徴を微細で意味的なレベルで融合し整列させ、その要素を多次元の埋め込みとして表現する。
  論文  参考訳（メタデータ） (2024-12-12T17:15:49Z)
• Conformal Predictive Portfolio Selection [10.470114319701576]
  共形予測による予測ポートフォリオ選択のためのフレームワークを提案する。 提案手法は,将来のポートフォリオのリターンを予測し,対応する予測インターバルを計算し,これらのインターバルに基づいて興味のポートフォリオを選択する。 本稿では,ARモデルに適用することでCPPSフレームワークの有効性を実証し,実証実験によりその性能を検証した。
  論文  参考訳（メタデータ） (2024-10-19T15:42:49Z)
• Large-scale Time-Varying Portfolio Optimisation using Graph Attention Networks [4.2056926734482065]
  本研究では、中規模企業における30年間のデータを活用し、距離相関と三角最大フィルタグラフを用いた企業のグラフを作成する。 GATベースのモデルが生み出すポートフォリオは、すべてのベンチマークより優れており、長期にわたって他の戦略よりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2024-07-22T10:50:47Z)
• Cryptocurrency Portfolio Optimization by Neural Networks [81.20955733184398]
  本稿では,これらの投資商品を活用するために,ニューラルネットワークに基づく効果的なアルゴリズムを提案する。 シャープ比を最大化するために、各アセットの割り当て重量を時間間隔で出力するディープニューラルネットワークを訓練する。 ネットワークの特定の資産に対するバイアスを規制する新たな損失項を提案し,最小分散戦略に近い割り当て戦略をネットワークに学習させる。
  論文  参考訳（メタデータ） (2023-10-02T12:33:28Z)
• Fusion of Sentiment and Asset Price Predictions for Portfolio Optimization [0.0]
  本稿では,資産に対する感情を予測するためにセマンティック・アテンション・モデルを用いる。 感情を意識したLong Short Term Memoryを通じて最適なポートフォリオを選択する。 戦略は、安定性の観点から、従来のポートフォリオ割り当て戦略を上回るものではない。
  論文  参考訳（メタデータ） (2022-03-10T23:21:12Z)
• Deep Stock Predictions [58.720142291102135]
  本稿では,Long Short Term Memory (LSTM) ニューラルネットワークを用いてポートフォリオ最適化を行うトレーディング戦略の設計について考察する。 次に、LSTMのトレーニングに使用する損失関数をカスタマイズし、利益を上げる。 カスタマイズされた損失関数を持つLSTMモデルは、ARIMAのような回帰ベースライン上でのトレーニングボットの性能を向上させる。
  論文  参考訳（メタデータ） (2020-06-08T23:37:47Z)

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。