論文の概要: Uncertainty-Adjusted Sorting for Asset Pricing with Machine Learning

• arxiv url: http://arxiv.org/abs/2601.00593v1
• Date: Fri, 02 Jan 2026 06:53:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-05 15:04:33.536947
• Title: Uncertainty-Adjusted Sorting for Asset Pricing with Machine Learning
• Title（参考訳）: 機械学習によるアセット価格の不確かさ調整ソート
• Authors: Yan Liu, Ye Luo, Zigan Wang, Xiaowei Zhang,
• Abstract要約: 点予測のみでなく不確実性調整予測境界を用いて資産をソートする簡単な変更を提案する。 MLモデルと米国株式パネルの幅広いセットにおいて、このアプローチはポイント予測ソートに対するポートフォリオパフォーマンスを改善している。
• 参考スコア（独自算出の注目度）: 10.625326619756944
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Machine learning is central to empirical asset pricing, but portfolio construction still relies on point predictions and largely ignores asset-specific estimation uncertainty. We propose a simple change: sort assets using uncertainty-adjusted prediction bounds instead of point predictions alone. Across a broad set of ML models and a U.S. equity panel, this approach improves portfolio performance relative to point-prediction sorting. These gains persist even when bounds are built from partial or misspecified uncertainty information. They arise mainly from reduced volatility and are strongest for flexible machine learning models. Identification and robustness exercises show that these improvements are driven by asset-level rather than time or aggregate predictive uncertainty.
• Abstract（参考訳）: 機械学習は経験的資産価格の中心であるが、ポートフォリオの構築は依然としてポイント予測に依存しており、資産固有の推定の不確実性を無視している。 点予測のみでなく不確実性調整予測境界を用いて資産をソートする簡単な変更を提案する。 MLモデルと米国株式パネルの幅広いセットにおいて、このアプローチはポイント予測ソートに対するポートフォリオパフォーマンスを改善している。 これらの利得は、部分的または不特定不確実性情報から境界が構築された場合でも持続する。 それらは主にボラティリティの低減から生まれ、フレキシブルな機械学習モデルにとって最強である。 識別とロバストネスのエクササイズは、これらの改善が時間や集合的な予測の不確実性ではなく、資産レベルによって引き起こされることを示している。

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)
• Post-hoc Probabilistic Vision-Language Models [54.05237186168399]
  視覚言語モデル(VLM)は、分類、検索、生成タスクにおいて顕著な成功を収めている。 追加トレーニングを必要としないVLMにおけるポストホック不確実性評価を提案する。 この結果から,大規模モデルの安全性クリティカルな応用が期待できることがわかった。
  論文  参考訳（メタデータ） (2024-12-08T18:16:13Z)
• Return Prediction for Mean-Variance Portfolio Selection: How Decision-Focused Learning Shapes Forecasting Models [32.062670664184786]
  意思決定学習は、予測と最適化を統合して意思決定結果を改善する。 本研究では、DFLが平均分散最適化(MVO)における決定を最適化するために、ストックリターン予測モデルをどのように調整するかを検討する。 その結果,予測誤差が高いにもかかわらず,DFLが優れたポートフォリオ性能を実現する理由が明らかになった。
  論文  参考訳（メタデータ） (2024-09-15T10:37:11Z)
• LoRA-Ensemble: Efficient Uncertainty Modelling for Self-Attention Networks [52.46420522934253]
  本稿では,自己注意ネットワークのためのパラメータ効率のよいアンサンブル手法であるLoRA-Ensembleを紹介する。 この方法は、BatchEnsembleのような最先端の暗黙のテクニックを上回るだけでなく、Explicit Ensembleの正確さにマッチするか超える。
  論文  参考訳（メタデータ） (2024-05-23T11:10:32Z)
• Uncertainty-boosted Robust Video Activity Anticipation [72.14155465769201]
  ビデオアクティビティの予測は、ロボットビジョンから自動運転まで幅広い応用可能性を受け入れることで、将来何が起こるかを予測することを目的としている。 近年の進展にもかかわらず、コンテンツ進化過程やイベントラベルの動的相関として反映されたデータ不確実性問題は、何らかの形で無視されている。 本研究では,予測結果の信頼性を示す不確実な値を生成する,不確実性を考慮した頑健なビデオアクティビティ予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-29T12:31:38Z)
• 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)

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。