論文の概要: A Novel approach to portfolio construction

• arxiv url: http://arxiv.org/abs/2602.03325v1
• Date: Tue, 03 Feb 2026 09:52:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 18:37:15.373653
• Title: A Novel approach to portfolio construction
• Title（参考訳）: ポートフォリオ構築への新たなアプローチ
• Authors: T. Di Matteo, L. Riso, M. G. Zoia,
• Abstract要約: 本稿では,資産選択とポートフォリオ構築のための機械学習ベースのフレームワークを提案する。 BPASGM(Best-Path Algorithm Sparse Graphical Model)と呼ばれる。 モンテカルロシミュレーションでは、BPASGMベースのポートフォリオはより安定したリスク-リターンプロファイル、実現されたボラティリティの低減、リスク調整性能の向上を実現している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper proposes a machine learning-based framework for asset selection and portfolio construction, termed the Best-Path Algorithm Sparse Graphical Model (BPASGM). The method extends the Best-Path Algorithm (BPA) by mapping linear and non-linear dependencies among a large set of financial assets into a sparse graphical model satisfying a structural Markov property. Based on this representation, BPASGM performs a dependence-driven screening that removes positively or redundantly connected assets, isolating subsets that are conditionally independent or negatively correlated. This step is designed to enhance diversification and reduce estimation error in high-dimensional portfolio settings. Portfolio optimization is then conducted on the selected subset using standard mean-variance techniques. BPASGM does not aim to improve the theoretical mean-variance optimum under known population parameters, but rather to enhance realized performance in finite samples, where sample-based Markowitz portfolios are highly sensitive to estimation error. Monte Carlo simulations show that BPASGM-based portfolios achieve more stable risk-return profiles, lower realized volatility, and superior risk-adjusted performance compared to standard mean-variance portfolios. Empirical results for U.S. equities, global stock indices, and foreign exchange rates over 1990-2025 confirm these findings and demonstrate a substantial reduction in portfolio cardinality. Overall, BPASGM offers a statistically grounded and computationally efficient framework that integrates sparse graphical modeling with portfolio theory for dependence-aware asset selection.
• Abstract（参考訳）: 本稿では,Best-Path Algorithm Sparse Graphical Model (BPASGM) と呼ばれる,資産選択とポートフォリオ構築のための機械学習ベースのフレームワークを提案する。 この手法は, 大規模金融資産間の線形および非線形依存関係を, 構造マルコフ特性を満たす疎グラフモデルにマッピングすることにより, BPA(Best-Path Algorithm)を拡張した。 この表現に基づいて、BPASGMは依存駆動スクリーニングを行い、正あるいは冗長に連結された資産を除去し、条件的に独立あるいは負の相関を持つサブセットを分離する。 このステップは、高次元ポートフォリオ設定における多様化と推定誤差の低減を目的としている。 ポートフォリオ最適化は、標準平均分散手法を用いて選択されたサブセット上で実行される。 BPASGMは、既知の人口パラメータの理論的平均分散最適値を改善することではなく、サンプルベースのMarkowitzポートフォリオが推定誤差に非常に敏感な有限標本における実効性能を向上させることを目的としている。 モンテカルロシミュレーションでは、BPASGMベースのポートフォリオは、標準的な平均分散ポートフォリオと比較して、より安定したリスク-リターンプロファイル、実現されたボラティリティ、リスク調整されたパフォーマンスを実現する。 1990-2025年における米国株、世界的な株価指数、外国為替レートの実証的な結果は、これらの発見を裏付け、ポートフォリオの基準を著しく引き下げたことを示している。 総合的に、BPASGMは、疎グラフィカルモデリングとポートフォリオ理論を統合した統計学的基盤と計算学的に効率的なフレームワークを提供する。

関連論文リスト

• SetPO: Set-Level Policy Optimization for Diversity-Preserving LLM Reasoning [50.93295951454092]
  本稿では,カーネル化類似性を用いたサンプル軌道上で定義された設定レベル多様性の目的について紹介する。 提案手法は,各サンプル軌跡に対する余剰余剰貢献を導出し,この目的を政策最適化のためのプラグイン・アドバンテージ・シェーピング用語として統合する。 様々なモデルスケールで実験を行い、提案アルゴリズムの有効性を示し、様々なベンチマークでPass@1とPass@Kの双方において、強いベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-02-01T07:13:20Z)
• MAESTRO: Meta-learning Adaptive Estimation of Scalarization Trade-offs for Reward Optimization [56.074760766965085]
  大規模言語モデル(LLM)の整合性のための効率的なパラダイムとしてグループ相対政策最適化が登場している。 我々は,報酬スカラー化を動的潜在ポリシーとして扱い,モデルの終端隠蔽状態を意味的ボトルネックとして活用するMAESTROを提案する。 本稿では,軽量コンダクタネットワークがメタリワード信号としてグループ相対的優位性を生かしてポリシと共進化する,双方向最適化フレームワークにおけるコンテキスト的帯域幅問題としてこれを定式化する。
  論文  参考訳（メタデータ） (2026-01-12T05:02:48Z)
• Covariance-Aware Simplex Projection for Cardinality-Constrained Portfolio Optimization [0.0]
  Covariance-Aware Simplex Projection (CASP) は、ボラティリティ正規化スコアを用いて目的の資産数を選択する2段階の修理オペレータである。 S&P 500データ(2020-2024)では、CASP-Basicは標準ユークリッド修理よりもポートフォリオのばらつきがかなり低い。
  論文  参考訳（メタデータ） (2025-12-23T02:22:53Z)
• 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)
• 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)
• Self-Boost via Optimal Retraining: An Analysis via Approximate Message Passing [58.52119063742121]
  独自の予測と潜在的にノイズの多いラベルを使ってモデルをトレーニングすることは、モデルパフォーマンスを改善するためのよく知られた戦略である。 本稿では,モデルの予測と提供ラベルを最適に組み合わせる方法について論じる。 我々の主な貢献は、現在のモデルの予測と与えられたラベルを組み合わせたベイズ最適集約関数の導出である。
  論文  参考訳（メタデータ） (2025-05-21T07:16:44Z)
• Bridging and Modeling Correlations in Pairwise Data for Direct Preference Optimization [75.1240295759264]
  本稿では,BMC という名前のペアデータにおけるブリッジ・アンド・モデリングの効果的なフレームワークを提案する。 目的の修正によって、ペアの選好信号の一貫性と情報性が向上する。 DPOだけではこれらの相関をモデル化し、ニュアンス付き変動を捉えるには不十分である。
  論文  参考訳（メタデータ） (2024-08-14T11:29:47Z)
• 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)

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。