Fugu-MT 論文翻訳(概要): Regret-Driven Portfolios: LLM-Guided Smart Clustering for Optimal Allocation

論文の概要: Regret-Driven Portfolios: LLM-Guided Smart Clustering for Optimal Allocation

arxiv url: http://arxiv.org/abs/2601.17021v1
Date: Fri, 16 Jan 2026 05:11:12 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-02 02:21:38.500874
Title: Regret-Driven Portfolios: LLM-Guided Smart Clustering for Optimal Allocation
Title（参考訳）: Regret-Driven Portfolios: 最適配置のためのLCMガイド付きスマートクラスタリング
Authors: Muhammad Abro, Hassan Jaleel,
Abstract要約: 新たなLCM誘導型非回帰的ポートフォリオアロケーションフレームワークを提案する。当社のアプローチは、感情に基づく貿易フィルタリングに富んだ、フォロー・ザ・リーダーのアプローチに基づいています。実験の結果,SPYの購入・保有ベースラインは年率69%,シャープ比119%を上回った。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We attempt to mitigate the persistent tradeoff between risk and return in medium- to long-term portfolio management. This paper proposes a novel LLM-guided no-regret portfolio allocation framework that integrates online learning dynamics, market sentiment indicators, and large language model (LLM)-based hedging to construct high-Sharpe ratio portfolios tailored for risk-averse investors and institutional fund managers. Our approach builds on a follow-the-leader approach, enriched with sentiment-based trade filtering and LLM-driven downside protection. Empirical results demonstrate that our method outperforms a SPY buy-and-hold baseline by 69% in annualized returns and 119% in Sharpe ratio.
Abstract（参考訳）: 中長期的なポートフォリオ管理において、リスクとリターンの間の永続的なトレードオフを緩和しようとします。本稿では,リスクアバース投資家や機関ファンドマネジャーに適した高シャープ比ポートフォリオを構築するために,オンライン学習力学,市場感情指標,および大規模言語モデル(LLM)に基づくヘッジを統合した,新たなLCM誘導のポートフォリオアロケーションフレームワークを提案する。当社のアプローチは、感情に基づく貿易フィルタリングとLLM駆動のダウンサイド保護に富んだ、フォロー・ザ・リーダーのアプローチに基づいています。実験の結果,SPYの購入・保有ベースラインは年率69%,シャープ比119%を上回った。

関連論文リスト

Generative AI-enhanced Sector-based Investment Portfolio Construction [12.174346896225153]
本稿では,大規模言語モデル(LLM)を量的セクターベースポートフォリオ構築に適用する方法について検討する。我々は、S&P 500セクターインデックス内の投資可能な株式の宇宙を特定するためにLLMを使用する。従来のポートフォリオ最適化手法と組み合わせて、それらの選択がどのように機能するかを評価する。
論文参考訳（メタデータ） (2025-12-31T00:19:41Z)
Reinforcement Learning for Portfolio Optimization with a Financial Goal and Defined Time Horizons [0.0]
本研究は,G-Learningアルゴリズムを用いて,革新的なポートフォリオ最適化手法を提案する。目標は、投資家の定期的な貢献を最小限にしつつ、目標日によってポートフォリオの価値を最大化することである。
論文参考訳（メタデータ） (2025-11-22T14:21:06Z)
Ask a Strong LLM Judge when Your Reward Model is Uncertain [46.41334493044746]
本稿では,高速RMを高速に補う不確実性に基づくルーティングフレームワークを提案する。本手法は,政策勾配法(PG法)において,一対の選好分類として有利な推定を定式化する。 RMベンチマークの実験により、我々の不確実性に基づくルーティング戦略は、同じコストでランダム判定よりも大幅に優れていることが示された。
論文参考訳（メタデータ） (2025-10-23T09:09:13Z)
Building crypto portfolios with agentic AI [46.348283638884425]
暗号通貨市場の急速な成長は投資家に新たな機会を与えたが、同時に高いボラティリティがもたらされた。本稿では,暗号アロケーションを自律的に構築し,評価するためのマルチエージェントシステムの実用化について述べる。
論文参考訳（メタデータ） (2025-07-11T18:03:51Z)
Deep Reinforcement Learning for Investor-Specific Portfolio Optimization: A Volatility-Guided Asset Selection Approach [2.2835610890984164]
本研究では,投資家のリスクプロファイルに基づいてポートフォリオを動的に構築するボラティリティ誘導型ポートフォリオ最適化フレームワークを提案する。提案手法の有効性はダウ30ドル指数の株を用いて確立された。
論文参考訳（メタデータ） (2025-04-20T10:17:37Z)
Optimizing Portfolio with Two-Sided Transactions and Lending: A Reinforcement Learning Framework [0.0]
本研究では,リスクの高い環境に適した強化学習に基づくポートフォリオ管理モデルを提案する。マルチヘッドアテンションを持つ畳み込みニューラルネットワークを用いたソフトアクタ・クリティカル(SAC)エージェントを用いてモデルを実装した。市場のボラティリティ(変動性)が変化する2つの16カ月間にわたってテストされたこのモデルは、ベンチマークを著しく上回った。
論文参考訳（メタデータ） (2024-08-09T23:36:58Z)
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)
Which Matters Most in Making Fund Investment Decisions? A Multi-granularity Graph Disentangled Learning Framework [47.308959396996606]
我々は,投資商品の知的マッチングを効果的に行うため,MGDLという新しいM言語グラニュラリティグラフ分散学習フレームワークを開発した。特定のセマンティクスでより強い非絡み合い表現を実現するため、MGDLは2つの自己監督信号、すなわちファンドタイプのコントラストとファンドの人気を明示的に含んでいる。
論文参考訳（メタデータ） (2023-11-23T09:08:43Z)
Cryptocurrency Portfolio Optimization by Neural Networks [81.20955733184398]
本稿では,これらの投資商品を活用するために,ニューラルネットワークに基づく効果的なアルゴリズムを提案する。シャープ比を最大化するために、各アセットの割り当て重量を時間間隔で出力するディープニューラルネットワークを訓練する。ネットワークの特定の資産に対するバイアスを規制する新たな損失項を提案し,最小分散戦略に近い割り当て戦略をネットワークに学習させる。
論文参考訳（メタデータ） (2023-10-02T12:33:28Z)
Can Perturbations Help Reduce Investment Risks? Risk-Aware Stock Recommendation via Split Variational Adversarial Training [44.7991257631318]
本稿では,リスクを意識したストックレコメンデーションのための新しいSVAT法を提案する。株式レコメンデーションモデルのボラティリティを下げることで、SVATは投資リスクを効果的に低減し、リスク調整利益の点で最先端のベースラインを30%以上上回ります。
論文参考訳（メタデータ） (2023-04-20T12:10:12Z)
Learning Risk Preferences from Investment Portfolios Using Inverse Optimization [25.19470942583387]
本稿では,既存ポートフォリオからのリスク嗜好を逆最適化を用いて測定する手法を提案する。我々は、20年間の資産価格と10年間の相互ファンドポートフォリオ保有からなる実市場データについて、本手法を実証する。
論文参考訳（メタデータ） (2020-10-04T21:29:29Z)

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。