論文の概要: The Nonstationarity-Complexity Tradeoff in Return Prediction

• arxiv url: http://arxiv.org/abs/2512.23596v1
• Date: Mon, 29 Dec 2025 16:49:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-30 22:37:30.584538
• Title: The Nonstationarity-Complexity Tradeoff in Return Prediction
• Title（参考訳）: 回帰予測における非定常・複雑トレードオフ
• Authors: Agostino Capponi, Chengpiao Huang, J. Antonio Sidaoui, Kaizheng Wang, Jiacheng Zou,
• Abstract要約: 非定常環境におけるストックリターン予測のための機械学習モデルについて検討する。 本稿では,新しいモデル選択手法が,不特定誤差,推定分散,非定常性のバランスを保ち,後向きの最良のモデルに近い性能を示すことを示す。
• 参考スコア（独自算出の注目度）: 5.8720142291102135
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We investigate machine learning models for stock return prediction in non-stationary environments, revealing a fundamental nonstationarity-complexity tradeoff: complex models reduce misspecification error but require longer training windows that introduce stronger non- stationarity. We resolve this tension with a novel model selection method that jointly optimizes model class and training window size using a tournament procedure that adaptively evaluates candidates on non-stationary validation data. Our theoretical analysis demonstrates that this approach balances misspecification error, estimation variance, and non-stationarity, performing close to the best model in hindsight. Applying our method to 17 industry portfolio returns, we consistently outperform standard rolling-window benchmarks, improving out-of-sample $R^2$ by 14-23% on average. During NBER- designated recessions, improvements are substantial: our method achieves positive $R^2$ during the Gulf War recession while benchmarks are negative, and improves $R^2$ in absolute terms by at least 80bps during the 2001 recession as well as superior performance during the 2008 Financial Crisis. Economically, a trading strategy based on our selected model generates 31% higher cumulative returns averaged across the industries.
• Abstract（参考訳）: 非定常環境におけるストックリターン予測のための機械学習モデルについて検討し,非定常性・複雑性のトレードオフを明らかにする。 非定常検証データ上で候補を適応的に評価するトーナメント手法を用いて、モデルクラスとトレーニングウィンドウサイズを協調的に最適化する新しいモデル選択手法により、この緊張を解消する。 提案手法は,不特定誤差,推定分散,非定常性の両立を図り,後向きの最良のモデルに近い性能を示す。 17の業界ポートフォリオのリターンにメソッドを適用することで、標準のローリングウインドウベンチマークを一貫して上回り、平均14～23%のアウト・オブ・サンプルであるR^2$を改善しました。 NBER指定の景気後退の間は、我々の手法は湾岸戦争不況時に正のR^2$を達成し、ベンチマークはマイナスであり、2001年の景気後退時には絶対的な条件でR^2$を少なくとも80bps改善し、2008年の金融危機では優れたパフォーマンスを達成している。 経済的には、選択したモデルに基づくトレーディング戦略により、業界全体で平均された累積リターンが31%上昇する。

関連論文リスト

• 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)
• A Framework for Predictive Directional Trading Based on Volatility and Causal Inference [0.0]
  本研究では,金融市場における予測的リードラグ関係の同定と活用のための新しい枠組みを提案する。 本稿では,高度な統計手法と機械学習モデルを組み合わせた統合的手法を提案する。
  論文  参考訳（メタデータ） (2025-07-12T16:53:32Z)
• 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)
• Overparametrized models with posterior drift [0.0]
  本稿では,過度にパラメータ化された機械学習モデルにおいて,後方ドリフトがサンプル外予測精度に与える影響について検討する。 平均的な投資家にとって、15年間の持株期間に焦点を合わせると、非常に異質なリターンが得られます。 全体として、当社の調査結果は、株式市場の予測のために大規模な線形モデルを利用する場合、慎重さを推奨する傾向にある。
  論文  参考訳（メタデータ） (2025-06-30T08:31:15Z)
• Rejection via Learning Density Ratios [50.91522897152437]
  拒絶による分類は、モデルを予測しないことを許容する学習パラダイムとして現れます。 そこで我々は,事前学習したモデルの性能を最大化する理想的なデータ分布を求める。 私たちのフレームワークは、クリーンでノイズの多いデータセットで実証的にテストされます。
  論文  参考訳（メタデータ） (2024-05-29T01:32:17Z)
• Application of Deep Learning for Factor Timing in Asset Management [21.212548040046133]
  より柔軟なモデルは、目に見えない期間の係数プレミアムのばらつきを説明するのにより良いパフォーマンスを持つ。 ニューラルネットワークのような柔軟なモデルでは、予測に基づく最適な重み付けは不安定である傾向がある。 我々は、過去の最適再バランス方式によるリバランス頻度の傾きが、取引コストの削減に役立つことを検証した。
  論文  参考訳（メタデータ） (2024-04-27T21:57:17Z)
• Learning Sample Difficulty from Pre-trained Models for Reliable Prediction [55.77136037458667]
  本稿では,大規模事前学習モデルを用いて,サンプル難易度を考慮したエントロピー正規化による下流モデルトレーニングを指導する。 我々は、挑戦的なベンチマークで精度と不確実性の校正を同時に改善する。
  論文  参考訳（メタデータ） (2023-04-20T07:29:23Z)
• Test-time Batch Statistics Calibration for Covariate Shift [66.7044675981449]
  我々は,推論中に深層モデルを新しい環境に適応させることを提案する。 バッチ統計の校正に$alpha$-BNの一般的な定式化を提案する。 また、統合テスト時間適応フレームワークCoreを形成するための新しい損失関数も提示する。
  論文  参考訳（メタデータ） (2021-10-06T08:45:03Z)

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。