論文の概要: Integrated Prediction and Multi-period Portfolio Optimization

• arxiv url: http://arxiv.org/abs/2512.11273v2
• Date: Mon, 15 Dec 2025 02:16:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 15:10:29.255733
• Title: Integrated Prediction and Multi-period Portfolio Optimization
• Title（参考訳）: 統合予測と多周期ポートフォリオ最適化
• Authors: Yuxuan Linghu, Zhiyuan Liu, Qi Deng,
• Abstract要約: マルチ周期ポートフォリオ最適化は、取引コスト、パス依存リスク、および取引決定の時間的構造を考慮に入れている。 本稿では,ターンオーバーペナルティを用いた多周期平均分散ポートフォリオ最適化モデルであるIPMOを紹介する。 拡張性のために,KKT(Karush-Kuhn-Tucker)システムの分解を回避したMDFP( mirror-descent fixed-point)微分方式を提案する。
• 参考スコア（独自算出の注目度）: 29.582959310549594
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-period portfolio optimization is important for real portfolio management, as it accounts for transaction costs, path-dependent risks, and the intertemporal structure of trading decisions that single-period models cannot capture. Classical methods usually follow a two-stage framework: machine learning algorithms are employed to produce forecasts that closely fit the realized returns, and the predicted values are then used in a downstream portfolio optimization problem to determine the asset weights. This separation leads to a fundamental misalignment between predictions and decision outcomes, while also ignoring the impact of transaction costs. To bridge this gap, recent studies have proposed the idea of end-to-end learning, integrating the two stages into a single pipeline. This paper introduces IPMO (Integrated Prediction and Multi-period Portfolio Optimization), a model for multi-period mean-variance portfolio optimization with turnover penalties. The predictor generates multi-period return forecasts that parameterize a differentiable convex optimization layer, which in turn drives learning via portfolio performance. For scalability, we introduce a mirror-descent fixed-point (MDFP) differentiation scheme that avoids factorizing the Karush-Kuhn-Tucker (KKT) systems, which thus yields stable implicit gradients and nearly scale-insensitive runtime as the decision horizon grows. In experiments with real market data and two representative time-series prediction models, the IPMO method consistently outperforms the two-stage benchmarks in risk-adjusted performance net of transaction costs and achieves more coherent allocation paths. Our results show that integrating machine learning prediction with optimization in the multi-period setting improves financial outcomes and remains computationally tractable.
• Abstract（参考訳）: マルチ周期ポートフォリオ最適化は、トランザクションコスト、パス依存リスク、単一周期モデルでは達成できないトレーディング決定の時間的構造を考慮に入れているため、実際のポートフォリオ管理にとって重要である。 機械学習アルゴリズムは、実現したリターンに密接に適合する予測を生成するために使用され、予測値は下流ポートフォリオ最適化問題で資産重みを決定するために使用される。 この分離は、予測と決定結果の根本的な不一致につながると同時に、トランザクションコストの影響も無視する。 このギャップを埋めるために、最近の研究では、2つのステージを1つのパイプラインに統合する、エンドツーエンドの学習というアイデアが提案されている。 本稿では,多周期平均分散ポートフォリオ最適化モデルであるIPMO(Integrated Prediction and Multi- Period Portfolio Optimization)を紹介する。 予測器は、微分可能な凸最適化層をパラメータ化する多周期回帰予測を生成し、ポートフォリオのパフォーマンスを通じて学習を駆動する。 拡張性のために,KKT(Karush-Kuhn-Tucker)システムの分解を回避し,決定の地平線が大きくなるにつれて,安定な暗黙的勾配とほぼ無感なランタイムが得られるミラー・ディフレッシュ・固定点(MDFP)微分方式を導入する。 実市場データと2つの代表的な時系列予測モデルを用いた実験において、IPMO法は、リスク調整された取引コストのパフォーマンスネットにおける2段階のベンチマークを一貫して上回り、より一貫性のある割り当てパスを達成する。 この結果から,機械学習の予測と最適化を多周期で組み合わせることで,財務効果が向上し,計算処理が可能であることがわかった。

関連論文リスト

• ZIP-RC: Optimizing Test-Time Compute via Zero-Overhead Joint Reward-Cost Prediction [57.799425838564]
  ZIP-RCは、モデルに報酬とコストのゼロオーバーヘッド推論時間予測を持たせる適応推論手法である。 ZIP-RCは、同じまたはより低い平均コストで過半数投票よりも最大12%精度が向上する。
  論文  参考訳（メタデータ） (2025-12-01T09:44:31Z)
• Bayesian Portfolio Optimization by Predictive Synthesis [5.319802998033766]
  既存のポートフォリオ最適化手法の多くは、ポートフォリオを構成する資産のリターンの分配に関する情報を必要とする。 流通情報を推定するための様々な手法が提案されているが、その正確性は金融市場の不確実性に大きく依存している。
  論文  参考訳（メタデータ） (2025-10-08T16:18:11Z)
• From Headlines to Holdings: Deep Learning for Smarter Portfolio Decisions [4.288926547930663]
  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。
  論文  参考訳（メタデータ） (2025-09-29T00:42:24Z)
• WSM: Decay-Free Learning Rate Schedule via Checkpoint Merging for LLM Pre-training [64.0932926819307]
  本稿では,学習速度減衰とモデルマージの正式な関係を確立するフレームワークであるWarmup-Stable and Merge(WSM)を紹介する。 WSMは様々な崩壊戦略をエミュレートするための統一された理論基盤を提供する。 私たちのフレームワークは、複数のベンチマークで広く採用されているWarmup-Stable-Decay(WSD)アプローチよりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-07-23T16:02:06Z)
• Decision-informed Neural Networks with Large Language Model Integration for Portfolio Optimization [29.30269598267018]
  本稿では,ポートフォリオ最適化における予測と意思決定品質の重大な相違について論じる。 我々は,大規模言語モデル(LLM)の表現力を投資決定に活用する。 S&P100とDOW30データセットの実験から、私たちのモデルは最先端のディープラーニングモデルよりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-02-02T15:45:21Z)
• 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)
• 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)
• Collaborative Uncertainty Benefits Multi-Agent Multi-Modal Trajectory Forecasting [61.02295959343446]
  この研究はまず、相互作用モジュールから生じる不確実性をモデル化する新しい概念であるコラボレーティブ不確実性(CU)を提案する。 我々は、回帰と不確実性推定の両方を行うために、元の置換同変不確かさ推定器を備えた一般的なCU対応回帰フレームワークを構築した。 提案するフレームワークを,プラグインモジュールとして現在のSOTAマルチエージェント軌道予測システムに適用する。
  論文  参考訳（メタデータ） (2022-07-11T21:17:41Z)
• 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。