論文の概要: Signature-Informed Transformer for Asset Allocation

• arxiv url: http://arxiv.org/abs/2510.03129v1
• Date: Fri, 03 Oct 2025 15:58:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-06 16:35:52.470451
• Title: Signature-Informed Transformer for Asset Allocation
• Title（参考訳）: アセットアロケーションのためのシグナチャインフォーム変換器
• Authors: Yoontae Hwang, Stefan Zohren,
• Abstract要約: Signature-Informed Transformerは、リスク対応の財務目標を直接最適化することで、エンドツーエンドのアロケーションポリシを学習するフレームワークである。 SITは、毎日のS&P 100エクイティデータに基づいて評価し、従来とディープラーニングのベースラインを決定的に上回っている。 以上の結果から,ポートフォリオを意識した目標と幾何学を意識した帰納バイアスが,機械学習システムにおけるリスクを意識した資本配分に不可欠であることが示唆された。
• 参考スコア（独自算出の注目度）: 9.290367832033063
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Robust asset allocation is a key challenge in quantitative finance, where deep-learning forecasters often fail due to objective mismatch and error amplification. We introduce the Signature-Informed Transformer (SIT), a novel framework that learns end-to-end allocation policies by directly optimizing a risk-aware financial objective. SIT's core innovations include path signatures for a rich geometric representation of asset dynamics and a signature-augmented attention mechanism embedding financial inductive biases, like lead-lag effects, into the model. Evaluated on daily S\&P 100 equity data, SIT decisively outperforms traditional and deep-learning baselines, especially when compared to predict-then-optimize models. These results indicate that portfolio-aware objectives and geometry-aware inductive biases are essential for risk-aware capital allocation in machine-learning systems. The code is available at: https://github.com/Yoontae6719/Signature-Informed-Transformer-For-Asset-Allocation
• Abstract（参考訳）: ロバスト資産配分は、客観的なミスマッチとエラー増幅のために、ディープラーニングの予測者がしばしば失敗する量的金融において重要な課題である。 本稿では,リスク対応の金融目標を直接最適化することで,エンドツーエンドのアロケーションポリシを学習する新しいフレームワークであるSignature-Informed Transformer(SIT)を紹介する。 SITの中核的なイノベーションは、資産力学のリッチな幾何学的表現のためのパスシグネチャと、リードラグ効果のような経済的帰納バイアスをモデルに埋め込むシグネチャ強化された注意機構である。 毎日のS\&P 100エクイティデータに基づいて評価されたSITは、特に予測テーマ最適化モデルと比較して、従来のベースラインとディープラーニングベースラインを決定的に上回る。 これらの結果から,ポートフォリオを意識した目標と幾何学を意識した帰納的バイアスが,機械学習システムにおけるリスクを意識した資本配分に不可欠であることが示唆された。 https://github.com/Yoontae6719/Signature-Informed-Transformer-For-Asset-Allocation

関連論文リスト

• Enhancing Credit Risk Prediction: A Meta-Learning Framework Integrating Baseline Models, LASSO, and ECOC for Superior Accuracy [7.254744067646655]
  本研究では,複数の相補的モデルを合成する包括的メタラーニングフレームワークを提案する。 我々は,全ての構成モデルにまたがる予測クラスに対して,置換特徴重要度分析を実装した。 その結果,我々の枠組みは,財務組織分類の精度を著しく向上させることがわかった。
  論文  参考訳（メタデータ） (2025-09-26T14:09:04Z)
• ResT: Reshaping Token-Level Policy Gradients for Tool-Use Large Language Models [62.82372407840088]
  大規模言語モデル(LLM)は受動的生成を超越し、外部ツールを呼び出すことで目標指向エージェントとして機能する。 textbfReshaped textbfToken-level policy gradients (textbfResT) for tool-use task。 textbfResTは最先端の結果を達成し、以前のメソッドを最大8.76%$で上回っている。
  論文  参考訳（メタデータ） (2025-09-26T03:38:27Z)
• Quantum Reinforcement Learning Trading Agent for Sector Rotation in the Taiwan Stock Market [7.360168388085351]
  台湾株式市場におけるセクターローテーションのためのハイブリッド量子古典的強化学習フレームワークを提案する。 量子強化モデルは、常により高いトレーニング報酬を達成するが、それらは現実世界の投資指標において古典的なモデルより劣る。 この不一致は、金融分野に強化学習を適用する上での課題を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-06-26T01:29:19Z)
• UniErase: Towards Balanced and Precise Unlearning in Language Models [69.04923022755547]
  大規模言語モデル(LLM)は、古い情報問題に対処するために反復的な更新を必要とする。 UniEraseは、知識の未学習と能力保持の間の精度とバランスの取れたパフォーマンスを示す、新しいアンラーニングフレームワークである。
  論文  参考訳（メタデータ） (2025-05-21T15:53:28Z)
• The Evolution of Alpha in Finance Harnessing Human Insight and LLM Agents [0.0]
  市場ベンチマークを上回るアルファリターンの探索は、大きな変革を遂げた。 本稿では,この進歩を辿る5段階の分類を包括的に紹介する。 提案された分類学は、成熟度を評価し、インフラを整合させ、次世代アルファシステムの責任ある開発を導く統一的な枠組みを提供する。
  論文  参考訳（メタデータ） (2025-05-20T00:51:43Z)
• An Advanced Ensemble Deep Learning Framework for Stock Price Prediction Using VAE, Transformer, and LSTM Model [4.097563258332958]
  本研究では,3つの先進ニューラルネットワークアーキテクチャを組み合わせることで,株価予測のための最先端の深層学習フレームワークを提案する。 このフレームワークは豊富な技術的指標を使用し、現在の市場状況に基づいて予測器をスケールする。 金融専門家や学者にとって、アルゴリズム取引、リスク分析、制御と意思決定に非常に重要な応用がある。
  論文  参考訳（メタデータ） (2025-03-28T07:20:40Z)
• Gradient Reduction Convolutional Neural Network Policy for Financial Deep Reinforcement Learning [0.0]
  本稿では、CNNモデルの予測性能と財務データの堅牢性を改善するための2つの重要な拡張を紹介する。 まず、入力段階で正規化層を統合し、一貫した機能スケーリングを保証する。 第二に、グラディエント・リダクション・アーキテクチャ(Gradient Reduction Architecture)を採用しています。
  論文  参考訳（メタデータ） (2024-08-16T11:39:03Z)
• Advancing Anomaly Detection: Non-Semantic Financial Data Encoding with LLMs [49.57641083688934]
  本稿では,Large Language Models (LLM) 埋め込みを用いた財務データにおける異常検出の新しい手法を提案する。 実験により,LLMが異常検出に有用な情報をもたらし,モデルがベースラインを上回っていることが確認された。
  論文  参考訳（メタデータ） (2024-06-05T20:19:09Z)
• 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)
• Supercharging Imbalanced Data Learning With Energy-based Contrastive Representation Transfer [72.5190560787569]
  コンピュータビジョンにおいて、長い尾のデータセットからの学習は、特に自然画像データセットの繰り返しのテーマである。 本稿では,データ生成機構がラベル条件と特徴分布の間で不変であるメタ分散シナリオを提案する。 これにより、因果データインフレーションの手順を利用してマイノリティクラスの表現を拡大できる。
  論文  参考訳（メタデータ） (2020-11-25T00:13:11Z)

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。