論文の概要: RegimeFolio: A Regime Aware ML System for Sectoral Portfolio Optimization in Dynamic Markets

• arxiv url: http://arxiv.org/abs/2510.14986v1
• Date: Sun, 14 Sep 2025 12:03:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-07 19:06:32.070272
• Title: RegimeFolio: A Regime Aware ML System for Sectoral Portfolio Optimization in Dynamic Markets
• Title（参考訳）: RegimeFolio: 動的市場における分野ポートフォリオ最適化のためのレジーム対応MLシステム
• Authors: Yiyao Zhang, Diksha Goel, Hussain Ahmad, Claudia Szabo,
• Abstract要約: RegimeFolioは、レジームを意識し、セクターを専門とする新しいフレームワークである。 明示的なボラティリティ体制のセグメンテーションとセクター固有のアンサンブル予測を統合している。 我々は2020年から2024年にかけて、34の米国株式に対するRegimeFolioの評価を行った。
• 参考スコア（独自算出の注目度）: 2.21658458251407
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Financial markets are inherently non-stationary, with shifting volatility regimes that alter asset co-movements and return distributions. Standard portfolio optimization methods, typically built on stationarity or regime-agnostic assumptions, struggle to adapt to such changes. To address these challenges, we propose RegimeFolio, a novel regime-aware and sector-specialized framework that, unlike existing regime-agnostic models such as DeepVol and DRL optimizers, integrates explicit volatility regime segmentation with sector-specific ensemble forecasting and adaptive mean-variance allocation. This modular architecture ensures forecasts and portfolio decisions remain aligned with current market conditions, enhancing robustness and interpretability in dynamic markets. RegimeFolio combines three components: (i) an interpretable VIX-based classifier for market regime detection; (ii) regime and sector-specific ensemble learners (Random Forest, Gradient Boosting) to capture conditional return structures; and (iii) a dynamic mean-variance optimizer with shrinkage-regularized covariance estimates for regime-aware allocation. We evaluate RegimeFolio on 34 large cap U.S. equities from 2020 to 2024. The framework achieves a cumulative return of 137 percent, a Sharpe ratio of 1.17, a 12 percent lower maximum drawdown, and a 15 to 20 percent improvement in forecast accuracy compared to conventional and advanced machine learning benchmarks. These results show that explicitly modeling volatility regimes in predictive learning and portfolio allocation enhances robustness and leads to more dependable decision-making in real markets.
• Abstract（参考訳）: 金融市場は本質的に非定常的であり、資産共同移動と返却分布を変化させるボラティリティ体制が変化している。 標準ポートフォリオ最適化手法は、通常、定常性や体制に依存しない仮定に基づいて構築され、そのような変化に適応するのに苦労する。 これらの課題に対処するため,DeepVolやDRLオプティマイザといった既存の制度非依存モデルとは異なり,セクタ固有のアンサンブル予測と適応平均分散割当とを明示的ボラティリティ体制セグメンテーションに統合した,新たなレジームFolioを提案する。 このモジュラーアーキテクチャは、予測とポートフォリオの決定が現在の市場の状況と一致し続けることを保証し、動的市場の堅牢性と解釈可能性を高める。 RegimeFolioは3つのコンポーネントを組み合わせています。 一 市場体制検出のための解釈可能なVIX分類器 (二)条件付き戻り構造を捉えるための制度と分野別アンサンブル学習者(ランドムフォレスト、グラディエントブースティング) 3)レギュラーアロケーションのための縮小正規化共分散推定を用いた動的平均分散オプティマイザ。 我々は2020年から2024年にかけて、34の米国株式に対するRegimeFolioの評価を行った。 このフレームワークは137%の累積リターン、シャープ比1.17、最大12%の最大ダウンダウン、予測精度の15～20%の改善を実現している。 これらの結果は,予測学習とポートフォリオ配分におけるボラティリティ体制を明示的にモデル化することで,ロバスト性を高め,現実市場におけるより信頼性の高い意思決定につながることを示す。

関連論文リスト

• Hybrid LSTM and PPO Networks for Dynamic Portfolio Optimization [0.05475997486212839]
  本稿では,Long Short-Term Memory(LSTM)予測とPPO強化学習戦略を融合したポートフォリオ最適化のためのハイブリッドフレームワークを提案する。 提案システムでは,時間的依存を捕捉する深部再帰ネットワークの予測能力を活用し,PPOエージェントは連続的な行動空間におけるポートフォリオ割り当てを適応的に改善する。 フレームワークのパフォーマンスは、年次リターン、ボラティリティ、シャープ比、最大ドローダウンメトリクスを使用して、同等の重み付け、インデックスベース、シングルモデルアプローチ(LSTMとPPOのみ)に対してベンチマークされる。
  論文  参考訳（メタデータ） (2025-11-22T07:57:03Z)
• Robust Reinforcement Learning in Finance: Modeling Market Impact with Elliptic Uncertainty Sets [57.179679246370114]
  金融分野では、強化学習(RL)エージェントは、価格に影響を与えない歴史的データに基づいて訓練されることが多い。 展開中、これらのエージェントは、自身の取引が資産価格を変えることができるライブマーケットで取引する。 従来のロバストなRLアプローチは、不確実性の集合に対して最悪のパフォーマンスを最適化することで、このモデルの誤特定に対処する。 楕円型不確実性集合の新たなクラスを開発し,効率的かつ堅牢な政策評価を可能にする。
  論文  参考訳（メタデータ） (2025-10-22T18:22:25Z)
• BAPO: Stabilizing Off-Policy Reinforcement Learning for LLMs via Balanced Policy Optimization with Adaptive Clipping [69.74252624161652]
  適応クリッピング(BAPO)を用いたBAlanced Policy Optimizationを提案する。 BAPOはクリッピングバウンダリを動的に調整し、適応的に正と負のコントリビューションを再バランスさせ、エントロピーを保持し、RL最適化を安定化させる。 AIME 2024とAIME 2025ベンチマークでは、7B BAPOモデルがSkyWork-OR1-7Bのようなオープンソースモデルを上回っています。
  論文  参考訳（メタデータ） (2025-10-21T12:55:04Z)
• Improving S&P 500 Volatility Forecasting through Regime-Switching Methods [0.0]
  我々は,S&P500のボラティリティの予測を改善するために,多種多様な制度変更手法を提案する。 予測精度を高めるため、歴史的ダイナミクスと先進的な市場感情の両方を捉える機能を開発した。
  論文  参考訳（メタデータ） (2025-09-21T19:40:47Z)
• RegimeNAS: Regime-Aware Differentiable Architecture Search With Theoretical Guarantees for Financial Trading [0.0]
  RegimeNASは、市場体制の意識を明示的に統合することで、暗号通貨取引のパフォーマンスを高めるために設計された、差別化可能なアーキテクチャ検索フレームワークである。 R RegimeNASは最先端のベンチマークを著しく上回り、平均絶対誤差を80.3%削減した。 この研究は、NASプロセスに直接、市場体制のようなドメイン固有の知識を組み込んで、挑戦的な金融アプリケーションのための堅牢で適応的なモデルを開発することの衝動を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-08-15T09:09:54Z)
• Modeling Regime Structure and Informational Drivers of Stock Market Volatility via the Financial Chaos Index [0.0]
  本稿では、金融カオス指標による株式市場のボラティリティの構造動態について考察する。 我々は、低カオス、中間カオス、高カオスの3つの異なる市場体制を特定し、それぞれ異なるレベルのシステム的ストレスを特徴とする。 マクロ経済、金融、政策、地政学の不確実性の変化は、政権全体でのボラティリティのダイナミクスに強い予測力を示します。
  論文  参考訳（メタデータ） (2025-04-26T15:48:11Z)
• 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)
• Label Distributionally Robust Losses for Multi-class Classification: Consistency, Robustness and Adaptivity [55.29408396918968]
  多クラス分類のためのラベル分布ロバスト(LDR)損失という損失関数群について検討した。 我々の貢献は、多クラス分類のためのLDR損失のトップ$kの一貫性を確立することによって、一貫性と堅牢性の両方を含んでいる。 本稿では,各インスタンスのクラスラベルの雑音度に個別化温度パラメータを自動的に適応させる適応型LDR損失を提案する。
  論文  参考訳（メタデータ） (2021-12-30T00:27:30Z)
• Predicting Risk-adjusted Returns using an Asset Independent Regime-switching Model [0.0]
  隠れマルコフモデルに基づくリスク調整されたリターン予測のために,アセットクラスに依存しないレギュラースイッチングモデルを構築した。 約20年間の日次金融市場の変化を分析し,リスク調整リターン予測の指標について検討した。
  論文  参考訳（メタデータ） (2021-07-07T10:23:59Z)

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。