Fugu-MT 論文翻訳(概要): Enhancing Portfolio Optimization with Deep Learning Insights

論文の概要: Enhancing Portfolio Optimization with Deep Learning Insights

arxiv url: http://arxiv.org/abs/2601.07942v1
Date: Mon, 12 Jan 2026 19:13:26 GMT
ステータス: 翻訳完了
システム内更新日: 2026-01-14 18:27:18.913481
Title: Enhancing Portfolio Optimization with Deep Learning Insights
Title（参考訳）: Deep Learning Insightsによるポートフォリオ最適化の強化
Authors: Brandon Luo, Jim Skufca,
Abstract要約: 私たちの研究は、ディープラーニング(DL)ポートフォリオの最適化、市場サイクル全体にわたる長期限定のマルチアセスメント戦略における課題への対処に重点を置いています。本研究では,事前学習手法と変圧器アーキテクチャを応用し,限られたレギュラーデータを用いたトレーニングモデルを提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Our work focuses on deep learning (DL) portfolio optimization, tackling challenges in long-only, multi-asset strategies across market cycles. We propose training models with limited regime data using pre-training techniques and leveraging transformer architectures for state variable inclusion. Evaluating our approach against traditional methods shows promising results, demonstrating our models' resilience in volatile markets. These findings emphasize the evolving landscape of DL-driven portfolio optimization, stressing the need for adaptive strategies to navigate dynamic market conditions and improve predictive accuracy.
Abstract（参考訳）: 私たちの研究は、ディープラーニング(DL)ポートフォリオの最適化、市場サイクル全体にわたる長期限定のマルチアセスメント戦略における課題への対処に重点を置いています。本研究では,事前学習手法と変圧器アーキテクチャを応用し,限られたレギュラーデータを用いたトレーニングモデルを提案する。従来の手法に対する我々のアプローチを評価することは有望な結果を示し、不安定な市場における我々のモデルのレジリエンスを示す。これらの知見は、DL駆動ポートフォリオ最適化の進化の展望を強調し、動的な市場条件をナビゲートし、予測精度を向上させるための適応戦略の必要性を強調した。

関連論文リスト

Generative Actor Critic [74.04971271003869]
Generative Actor Critic (GAC) は、軌道上での関節分布の生成モデル学習として、テキスト政治評価を反映して、シーケンシャルな意思決定を分離する新しいフレームワークである。 Gym-MuJoCoとMaze2Dベンチマークの実験では、GACの強いオフライン性能と、最先端の手法と比較してオフラインからオフラインへの大幅な改善が示されている。
論文参考訳（メタデータ） (2025-12-25T06:31:11Z)
Scaling and Transferability of Annealing Strategies in Large Language Model Training [59.443651879173025]
我々はWarmup-Steady-Decay (WSD)スケジューラのアニーリング戦略を最適化するための予測フレームワークを改良する。改良されたフレームワークは、トレーニングステップ、最大学習率、アニール動作を取り入れ、学習率スケジュールのより効率的な最適化を可能にする。我々は,Dense と Mixture-of-Experts (MoE) モデルを用いて実験を行った。
論文参考訳（メタデータ） (2025-12-05T16:38:33Z)
TCPO: Thought-Centric Preference Optimization for Effective Embodied Decision-making [75.29820290660065]
本稿では,効果的な具体的意思決定のための思考中心推論最適化(TCPO)を提案する。モデルの中間的推論プロセスの整合性を強調し、モデル劣化の問題を緩和する。 ALFWorld環境での実験では、平均成功率は26.67%であり、RL4VLMよりも6%向上している。
論文参考訳（メタデータ） (2025-09-10T11:16:21Z)
Your Offline Policy is Not Trustworthy: Bilevel Reinforcement Learning for Sequential Portfolio Optimization [82.03139922490796]
強化学習(Reinforcement Learning, RL)は、過去のデータを用いたリスクを最小限にしつつ累積リターンを最大化することを目的とした、株式取引のような逐次的ポートフォリオ最適化タスクにおいて、大きな可能性を示してきた。従来のRLアプローチは、固定データセット内での振る舞いの購入と販売を最適に記憶するだけのポリシーを生成することが多い。当社のアプローチでは,ポートフォリオ最適化を新たなタイプの部分オフラインRL問題として捉え,2つの技術的貢献を行う。
論文参考訳（メタデータ） (2025-05-19T06:37:25Z)
Reinforcement-Learning Portfolio Allocation with Dynamic Embedding of Market Information [12.032301674764552]
我々は,高次元,非定常,低信号の市場情報から生じる課題に対処するために,ディープラーニング技術を活用したポートフォリオアロケーションフレームワークを開発した。我々は、生成的オートエンコーダとオンラインメタラーニングを統合し、市場情報を動的に埋め込む強化学習フレームワークを設計する。米国株上位500銘柄に基づく実証分析は、当社のフレームワークが共通のポートフォリオベンチマークを上回っていることを示している。
論文参考訳（メタデータ） (2025-01-29T20:56:59Z)
Deep Learning for Options Trading: An End-To-End Approach [7.148312060227716]
我々は、高度にスケーラブルでデータ駆動の機械学習アルゴリズムを用いて、オプショントレーディング戦略に新しいアプローチを導入する。エンドツーエンドアプローチでトレーニングしたディープラーニングモデルは、既存のルールベースのトレーディング戦略よりも、リスク調整されたパフォーマンスが大幅に向上していることを示します。
論文参考訳（メタデータ） (2024-07-31T17:59:09Z)
DeepClair: Utilizing Market Forecasts for Effective Portfolio Selection [29.43115584494825]
ポートフォリオ選択のための新しいフレームワークであるDeepClairを紹介します。 DeepClairは、トランスフォーマーベースの時系列予測モデルを活用して、市場のトレンドを予測する。
論文参考訳（メタデータ） (2024-07-18T11:51:03Z)
Deep Reinforcement Learning and Mean-Variance Strategies for Responsible Portfolio Optimization [49.396692286192206]
本研究では,ESG状態と目的を取り入れたポートフォリオ最適化のための深層強化学習について検討する。以上の結果から,ポートフォリオアロケーションに対する平均分散アプローチに対して,深層強化学習政策が競争力を発揮する可能性が示唆された。
論文参考訳（メタデータ） (2024-03-25T12:04:03Z)
Latent Variable Representation for Reinforcement Learning [131.03944557979725]
モデルに基づく強化学習のサンプル効率を改善するために、潜在変数モデルが学習、計画、探索をいかに促進するかは理論上、実証上、不明である。状態-作用値関数に対する潜在変数モデルの表現ビューを提供する。これは、抽出可能な変分学習アルゴリズムと楽観主義/悲観主義の原理の効果的な実装の両方を可能にする。特に,潜伏変数モデルのカーネル埋め込みを組み込んだUPB探索を用いた計算効率の良い計画アルゴリズムを提案する。
論文参考訳（メタデータ） (2022-12-17T00:26:31Z)

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。