論文の概要: A comprehensive review and analysis of different modeling approaches for financial index tracking problem

• arxiv url: http://arxiv.org/abs/2601.03927v1
• Date: Wed, 07 Jan 2026 13:47:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 02:15:23.574143
• Title: A comprehensive review and analysis of different modeling approaches for financial index tracking problem
• Title（参考訳）: 金融指標追跡問題に対する様々なモデリング手法の総合的レビューと分析
• Authors: Vrinda Dhingra, Amita Sharma, Anubha Goel,
• Abstract要約: パッシブ・インベストメント(パッシブ・インベストメント)としても知られるインデックス・トラッキングは、金融市場で大きな注目を集めている。 本稿では,指標追跡のために開発された様々なモデリング手法と戦略について概説する。
• 参考スコア（独自算出の注目度）: 1.9499120576896225
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Index tracking, also known as passive investing, has gained significant traction in financial markets due to its cost-effective and efficient approach to replicating the performance of a specific market index. This review paper provides a comprehensive overview of the various modeling approaches and strategies developed for index tracking, highlighting the strengths and limitations of each approach. We categorize the index tracking models into three broad frameworks: optimization-based models, statistical-based models and machine learning based data-driven approach. A comprehensive empirical study conducted on the S\&P 500 dataset demonstrates that the tracking error volatility model under the optimization-based framework delivers the most precise index tracking, the convex co-integration model, under the statistical-based framework achieves the strongest return-risk balance, and the deep neural network with fixed noise model within the data-driven framework provides a competitive performance with notably low turnover and high computational efficiency. By combining a critical review of the existing literature with comparative empirical analysis, this paper aims to provide insights into the evolving landscape of index tracking and its practical implications for investors and fund managers.
• Abstract（参考訳）: パッシブ・インベストメント(パッシブ・インベストメント)としても知られるインデックストラッキングは、特定の市場指標のパフォーマンスを複製するコスト効率と効率的なアプローチにより、金融市場で大きな注目を集めている。 本稿では,指標追跡のために開発された様々なモデリング手法と戦略について概説し,それぞれのアプローチの長所と短所を概説する。 インデックス追跡モデルを最適化ベースモデル,統計ベースモデル,マシンラーニングベースのデータ駆動アプローチの3つのフレームワークに分類する。 S\&P 500データセットで実施された総合的な実証研究は、最適化ベースのフレームワークの下でのトラッキングエラーのボラティリティモデルが最も正確なインデックストラッキングを実現し、統計ベースのフレームワーク下での凸共積分モデルが最も高いリターンリスクバランスを実現し、データ駆動フレームワーク内の固定ノイズモデルを持つディープニューラルネットワークが、明らかにローターンオーバーと高い計算効率を備えた競合性能を提供することを示した。 本稿では、既存文献の批判的レビューと比較実証分析を組み合わせることで、索引追跡の進化する展望と、投資家やファンドマネジャーにとっての実践的意味についての洞察を提供することを目的とする。

関連論文リスト

• Deep Generative Models for Synthetic Financial Data: Applications to Portfolio and Risk Modeling [0.0]
  シンセティック・ファイナンス・データ(英語版)は、量的ファイナンスにおける経験的な研究をしばしば制限するプライバシー、アクセシビリティ、課題に対する実践的な解決策を提供する。 本稿では,時系列生成支援ネットワーク(TimeGAN)と変分オートエンコーダ(VAE)を用いて,リアルな合成金融リターン生成を行う。
  論文  参考訳（メタデータ） (2025-12-25T22:28:32Z)
• Analytical Survey of Learning with Low-Resource Data: From Analysis to Investigation [192.53529928861818]
  高リソースデータによる学習は人工知能(AI)において大きな成功を収めた しかし、データアノテーションやモデルトレーニングに関連するコストは依然として大きい。 本調査では,低リソースデータからの学習に伴う一般化誤差とラベル複雑性を分析するために,アクティブサンプリング理論を用いた。
  論文  参考訳（メタデータ） (2025-10-10T03:15:42Z)
• A Comparative Analysis of Statistical and Machine Learning Models for Outlier Detection in Bitcoin Limit Order Books [0.0]
  本研究は,暗号通貨制限順序書(LOB)における実時間異常識別のための頑健な統計手法と高度な機械学習手法の比較分析を行う。 我々は13の多様なモデルの有効性を評価し、どのアプローチが潜在的にマニピュティブな取引行動を検出するのに最も適しているかを同定する。 主要な取引所から26,204レコードのデータセットをバックテストして実施した経験的評価は、最高性能のモデルであるEmpirical Covariance (EC)が6.70%向上し、標準のBuy-and-Holdベンチマークを大幅に上回ったことを示している。
  論文  参考訳（メタデータ） (2025-07-20T13:42:36Z)
• Optimizing Sequential Recommendation Models with Scaling Laws and Approximate Entropy [104.48511402784763]
  SRモデルの性能法則は,モデルの性能とデータ品質の関係を理論的に調査し,モデル化することを目的としている。 データ品質を評価するために、従来のデータ量メトリクスと比較して、より曖昧なアプローチを示すために、近似エントロピー(ApEn)を提案する。
  論文  参考訳（メタデータ） (2024-11-30T10:56:30Z)
• Harnessing Earnings Reports for Stock Predictions: A QLoRA-Enhanced LLM Approach [6.112119533910774]
  本稿では、命令ベースの新しい手法と量子化低ランク適応(QLoRA)圧縮を組み合わせることで、LLM(Large Language Models)命令を微調整することで、高度なアプローチを提案する。 近年の市場指標やアナリストの成績等「外部要因」を統合して、リッチで教師付きデータセットを作成する。 この研究は、最先端のAIを微調整された財務データに統合する能力を実証するだけでなく、AI駆動の財務分析ツールを強化するための将来の研究の道を開く。
  論文  参考訳（メタデータ） (2024-08-13T04:53:31Z)
• Advancing Financial Risk Prediction Through Optimized LSTM Model Performance and Comparative Analysis [12.575399233846092]
  本稿では、金融リスク予測におけるLSTMモデルの適用と最適化に焦点を当てる。 最適化LSTMモデルは、ランダムフォレスト、BPニューラルネットワーク、XGBoostと比較して、AUC指数において大きな利点を示す。
  論文  参考訳（メタデータ） (2024-05-31T03:31:17Z)
• On Effective Scheduling of Model-based Reinforcement Learning [53.027698625496015]
  実データ比率を自動的にスケジュールするAutoMBPOというフレームワークを提案する。 本稿ではまず,政策訓練における実データの役割を理論的に分析し,実際のデータの比率を徐々に高めれば,より優れた性能が得られることを示唆する。
  論文  参考訳（メタデータ） (2021-11-16T15:24:59Z)
• Dynamic Federated Learning [57.14673504239551]
  フェデレートラーニング(Federated Learning)は、マルチエージェント環境における集中的なコーディネーション戦略の包括的用語として登場した。 我々は、各イテレーションにおいて、利用可能なエージェントのランダムなサブセットがそのデータに基づいてローカル更新を実行する、フェデレートされた学習モデルを考える。 集約最適化問題に対する真の最小化器上の非定常ランダムウォークモデルの下で、アーキテクチャの性能は、各エージェントにおけるデータ変動率、各エージェントにおけるモデル変動率、アルゴリズムの学習率に逆比例する追跡項の3つの要因によって決定されることを示す。
  論文  参考訳（メタデータ） (2020-02-20T15:00:54Z)

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。