論文の概要: Covariance-Aware Simplex Projection for Cardinality-Constrained Portfolio Optimization

• arxiv url: http://arxiv.org/abs/2512.19986v1
• Date: Tue, 23 Dec 2025 02:22:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-24 19:17:49.714679
• Title: Covariance-Aware Simplex Projection for Cardinality-Constrained Portfolio Optimization
• Title（参考訳）: Covariance-Aware Simplex Projection for Cardinality-Constrained Portfolio Optimization
• Authors: Nikolaos Iliopoulos,
• Abstract要約: Covariance-Aware Simplex Projection (CASP) は、ボラティリティ正規化スコアを用いて目的の資産数を選択する2段階の修理オペレータである。 S&P 500データ(2020-2024)では、CASP-Basicは標準ユークリッド修理よりもポートフォリオのばらつきがかなり低い。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Metaheuristic algorithms for cardinality-constrained portfolio optimization require repair operators to map infeasible candidates onto the feasible region. Standard Euclidean projection treats assets as independent and can ignore the covariance structure that governs portfolio risk, potentially producing less diversified portfolios. This paper introduces Covariance-Aware Simplex Projection (CASP), a two-stage repair operator that (i) selects a target number of assets using volatility-normalized scores and (ii) projects the candidate weights using a covariance-aware geometry aligned with tracking-error risk. This provides a portfolio-theoretic foundation for using a covariance-induced distance in repair operators. On S&P 500 data (2020-2024), CASP-Basic delivers materially lower portfolio variance than standard Euclidean repair without relying on return estimates, with improvements that are robust across assets and statistically significant. Ablation results indicate that volatility-normalized selection drives most of the variance reduction, while the covariance-aware projection provides an additional, consistent improvement. We further show that optional return-aware extensions can improve Sharpe ratios, and out-of-sample tests confirm that gains transfer to realized performance. CASP integrates as a drop-in replacement for Euclidean projection in metaheuristic portfolio optimizers.
• Abstract（参考訳）: 基数制約付きポートフォリオ最適化のためのメタヒューリスティックアルゴリズムは、不可能な候補を実現不可能な領域にマッピングするために修理演算子を必要とする。 スタンダード・ユークリッド・プロジェクションは、資産を独立したものとして扱い、ポートフォリオのリスクを管理する共分散構造を無視し、より多様化の少ないポートフォリオを生み出す可能性がある。 本稿では,2段階補修演算子であるCovariance-Aware Simplex Projection (CASP)を紹介する。 一 ボラティリティ正規化スコアを用いて目標資産数を選択すること。 (II) 追跡エラーリスクに対応する共分散認識幾何を用いて、候補重みを投影する。 これは、修復作用素において共分散誘起距離を使用するためのポートフォリオ理論の基礎を提供する。 S&P 500データ(2020-2024)では、CASP-Basicは、リターン推定に頼ることなく、標準的なユークリッド修理よりも大幅に低いポートフォリオ分散を提供する。 アブレーションの結果, ボラティリティ正規化選択は分散低減のほとんどを駆動し, 共分散対応予測は付加的な一貫した改善をもたらすことが示唆された。 さらに、オプションの戻り値対応拡張がシャープ比を向上できることを示し、サンプル外テストにより、実現されたパフォーマンスへの転送が保証される。 CASPは、メタヒューリスティックなポートフォリオオプティマイザにおけるユークリッドプロジェクションのドロップイン代替として統合されている。

関連論文リスト

• Integrated Prediction and Multi-period Portfolio Optimization [29.582959310549594]
  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。
  論文  参考訳（メタデータ） (2025-12-12T04:31:22Z)
• MMR1: Enhancing Multimodal Reasoning with Variance-Aware Sampling and Open Resources [113.33902847941941]
  VAS (Variance-Aware Sampling) は、Variance Promotion Score (VPS) によって導かれるデータ選択戦略である。 我々は、1.6MのCoT冷間開始データと15kのRLQAペアを含む大規模かつ慎重にキュレートされたリソースをリリースする。 数学的推論ベンチマークによる実験では、キュレートされたデータと提案されたVASの有効性が示されている。
  論文  参考訳（メタデータ） (2025-09-25T14:58:29Z)
• Towards Reliable, Uncertainty-Aware Alignment [12.63619480522393]
  オープンソースベンチマークにおける報酬モデルトレーニングの多様性について検討する。 本稿では、好みに基づくアライメントのための分散対応ポリシー最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-21T12:51:29Z)
• End-to-End Large Portfolio Optimization for Variance Minimization with Neural Networks through Covariance Cleaning [0.0]
  我々は,世界規模の最小分散ポートフォリオを提供する回転不変ニューラルネットワークを開発した。 この明示的な数学的写像は各加群の役割を明確に解釈できる。 単一モデルは数百株のパネルで校正でき、再訓練せずに1000米国株に適用される。
  論文  参考訳（メタデータ） (2025-07-02T17:27:29Z)
• EquiTabPFN: A Target-Permutation Equivariant Prior Fitted Networks [55.214444066134114]
  我々は、同変エンコーダ、デコーダ、およびバイアテンション機構を介し、完全にターゲット同変のアーキテクチャに適応する置換不変性を設計する。 標準分類ベンチマークの実証的評価は、事前学習中に見られたクラス数より多いデータセットでは、我々のモデルは計算オーバーヘッドを低く抑えながら既存の手法と一致または超えていることを示している。
  論文  参考訳（メタデータ） (2025-02-10T17:11:20Z)
• Model-Based Epistemic Variance of Values for Risk-Aware Policy Optimization [59.758009422067]
  モデルベース強化学習における累積報酬に対する不確実性を定量化する問題を考察する。 我々は、解が値の真後分散に収束する新しい不確実性ベルマン方程式(UBE)を提案する。 本稿では,リスク・サーキングとリスク・アバース・ポリシー最適化のいずれにも適用可能な汎用ポリシー最適化アルゴリズムQ-Uncertainty Soft Actor-Critic (QU-SAC)を導入する。
  論文  参考訳（メタデータ） (2023-12-07T15:55:58Z)
• Regularizing Variational Autoencoder with Diversity and Uncertainty Awareness [61.827054365139645]
  変分オートエンコーダ(VAE)は、償却変分推論に基づいて潜伏変数の後部を近似する。 よりディバースで不確実な潜在空間を学習するための代替モデルDU-VAEを提案する。
  論文  参考訳（メタデータ） (2021-10-24T07:58:13Z)

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。