論文の概要: Joint Return and Risk Modeling with Deep Neural Networks for Portfolio Construction
- arxiv url: http://arxiv.org/abs/2603.19288v1
- Date: Mon, 09 Mar 2026 01:49:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-06 02:36:12.845157
- Title: Joint Return and Risk Modeling with Deep Neural Networks for Portfolio Construction
- Title（参考訳）: ポートフォリオ構築のためのディープニューラルネットワークを用いた連立リターンとリスクモデリング
- Authors: Keonvin Park,
- Abstract要約: 本稿では,ディープニューラルネットワークに基づく共同リターンとリスクモデリングの枠組みを提案する。
2010年から2024年までの10大米国株式の日次データを用いて、リターン予測、リスク推定、ポートフォリオレベルのパフォーマンスを評価する。
このフレームワークは、非定常市場条件下でのデータ駆動型ポートフォリオ構築のスケーラブルで実用的な代替手段を提供する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Portfolio construction traditionally relies on separately estimating expected returns and covariance matrices using historical statistics, often leading to suboptimal allocation under time-varying market conditions. This paper proposes a joint return and risk modeling framework based on deep neural networks that enables end-to-end learning of dynamic expected returns and risk structures from sequential financial data. Using daily data from ten large-cap US equities spanning 2010 to 2024, the proposed model is evaluated across return prediction, risk estimation, and portfolio-level performance. Out-of-sample results during 2020 to 2024 show that the deep forecasting model achieves competitive predictive accuracy (RMSE = 0.0264) with economically meaningful directional accuracy (51.9%). More importantly, the learned representation effectively captures volatility clustering and regime shifts. When integrated into portfolio optimization, the proposed Neural Portfolio strategy achieves an annual return of 36.4% and a Sharpe ratio of 0.91, outperforming equal weight and historical mean-variance benchmarks in terms of risk-adjusted performance. These findings demonstrate that jointly modeling return and covariance dynamics can provide consistent improvements over traditional allocation approaches. The framework offers a scalable and practical alternative for data-driven portfolio construction under nonstationary market conditions.
- Abstract（参考訳）: ポートフォリオの構築は伝統的に、予測されるリターンと共分散行列を歴史的統計を用いて別々に見積もることに依存しており、しばしば時変市場条件下での最適以下の割り当てにつながる。
本稿では、動的に期待されるリターンとリスク構造を逐次的な財務データからエンドツーエンドに学習することを可能にするディープニューラルネットワークに基づく連立リターン・リスクモデリングフレームワークを提案する。
2010年から2024年までの10大米国株式の日次データを用いて、リターン予測、リスク推定、ポートフォリオレベルのパフォーマンスを評価する。
2020年から2024年にかけてのアウト・オブ・サンプルの結果は、深い予測モデルが経済的に有意な方向精度(51.9%)で競争予測精度(RMSE = 0.0264)を達成することを示している。
さらに重要なのは、学習された表現が、ボラティリティクラスタリングとレギュラーシフトを効果的にキャプチャすることです。
ポートフォリオ最適化に統合されると、提案したNeural Portfolio戦略は毎年36.4%のリターンとシャープ比0.91を達成する。
これらの結果は、リターンと共分散のダイナミクスを共同でモデル化することで、従来のアロケーションアプローチよりも一貫した改善が得られることを示している。
このフレームワークは、非定常市場条件下でのデータ駆動型ポートフォリオ構築のスケーラブルで実用的な代替手段を提供する。
関連論文リスト
- $V_{0.5}$: Generalist Value Model as a Prior for Sparse RL Rollouts [81.48669089692189]
一般値モデル(例えば$V_0.5$)は、コンテキスト内のモデル機能を明示的にエンコードすることで、事前訓練された値推定を実現する。
本稿では,このような値モデルにより予測されるベースラインと,スパースロールアウトから導出される経験的平均とを適応的に融合する$V_0.5$を提案する。
V_0.5$はGRPOとDAPOを大きく上回り、より高速な収束と約10%のパフォーマンス向上を実現している。
論文 参考訳（メタデータ） (2026-03-11T14:57:41Z) - Regression Models Meet Foundation Models: A Hybrid-AI Approach to Practical Electricity Price Forecasting [39.91788164419845]
回帰に基づく予測を強化する新しいパラダイムであるFutureBoostingを提案する。
私たちはこのパラダイムを、電力価格予測のための軽量でプラグアンドプレイのフレームワークにインスタンス化します。
我々のフレームワークは、最先端のTSFMとレグレッション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） (2026-03-06T02:06:46Z) - Reinforcement Learning from Probabilistic Forecasts for Safe Decision-Making via Conditional Value-at-Risk Planning [41.52380204321823]
本稿では,ベイズ予測,後方サンプリング強化学習,計画とを結合した統一的枠組みである不確実性認識マルコフ決定プロセス(UAMDP)を提案する。
構造的不確実性と経済のボラティリティを特徴とする2つのドメインの高頻度株式取引と小売在庫管理において,UAMDPを評価した。
論文 参考訳（メタデータ） (2025-10-09T13:46:32Z) - Dependency Network-Based Portfolio Design with Forecasting and VaR Constraints [8.107171581224312]
本研究では,統計的ソーシャルネットワーク分析と時系列予測とリスク管理を統合したポートフォリオ最適化フレームワークを提案する。
S&P500(2020-2024)の毎日の株価データを用いて、Vector Autoregression(VAR)とForecast Error Variance Decomposition(FEVD)を介して依存ネットワークを構築します。
FEVDは、VARの予測誤差のばらつきを分解し、各株価のショックが、我々のネットワークにおいて影響ベースのエッジ重みを形成するために反転する他の不確実性情報にどれだけ寄与するかを定量化する。
リスク・アット・リスク(リスク・アット・リスク)に基づいて資本を割り当てた、トップランクの株式を使って動的ポートフォリオを構築する。
論文 参考訳（メタデータ） (2025-07-26T18:53:39Z) - Conformal Predictive Portfolio Selection [10.470114319701576]
共形予測による予測ポートフォリオ選択のためのフレームワークを提案する。
提案手法は,将来のポートフォリオのリターンを予測し,対応する予測インターバルを計算し,これらのインターバルに基づいて興味のポートフォリオを選択する。
本稿では,ARモデルに適用することでCPPSフレームワークの有効性を実証し,実証実験によりその性能を検証した。
論文 参考訳（メタデータ） (2024-10-19T15:42:49Z) - Mean-Variance Portfolio Selection in Long-Term Investments with Unknown Distribution: Online Estimation, Risk Aversion under Ambiguity, and Universality of Algorithms [0.0]
本稿では、データを徐々に、そして継続的に明らかにする視点を採用する。
オリジナルのモデルはオンライン学習フレームワークに再キャストされ、統計的仮定は一切含まない。
将来のデータの分布が正常な形に従えば、リスク回避のキャリブレーションにより、効率的なフロンティアに沿ってポートフォリオを持ち上げることにより、富の成長率が向上することを示す。
論文 参考訳（メタデータ） (2024-06-19T12:11:42Z) - Bayesian Nonparametrics Meets Data-Driven Distributionally Robust Optimization [29.24821214671497]
機械学習と統計モデルのトレーニングは、しばしばデータ駆動型リスク基準の最適化を伴う。
ベイズ的非パラメトリック(ディリクレ過程)理論と、スムーズなあいまいさ-逆選好の最近の決定論的モデルを組み合わせた、新しいロバストな基準を提案する。
実用的な実装として、よく知られたディリクレプロセスの表現に基づいて、評価基準の抽出可能な近似を提案し、研究する。
論文 参考訳（メタデータ） (2024-01-28T21:19:15Z) - DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。
実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
論文 参考訳（メタデータ） (2022-09-23T16:13:47Z) - On the benefits of maximum likelihood estimation for Regression and
Forecasting [35.386189585135334]
我々は回帰と予測のためのMLE(Maximum Likelihood Estimation)の実践的アプローチを提唱する。
このアプローチは、データセットの事前ドメイン知識のような誘導バイアスをキャプチャするのに適しています。
提案手法は, 提案手法を設計した汎用混合型ファミリーでインスタンス化することにより, 経験的リスク最小化よりも優れた性能が得られることを実証的に実証した。
論文 参考訳（メタデータ） (2021-06-18T22:10:43Z) - Deep Learning for Portfolio Optimization [5.833272638548154]
個々の資産を選択する代わりに、ポートフォリオを形成するために市場指標のETF(Exchange-Traded Funds)を交換します。
我々は,本手法を広範囲のアルゴリズムと比較し,本モデルがテスト期間中に最高の性能を得ることを示す。
論文 参考訳（メタデータ） (2020-05-27T21:28:43Z)
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。