論文の概要: The Virtue of Sparsity in Complexity

• arxiv url: http://arxiv.org/abs/2604.17166v1
• Date: Sat, 18 Apr 2026 23:25:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.366751
• Title: The Virtue of Sparsity in Complexity
• Title（参考訳）: 複雑度における空間性
• Authors: Nima Afsharhajari, Jonathan Yu-Meng Li,
• Abstract要約: キャパシティの増大は因子空間の発見を可能にすることを示す。 資産価格の複雑さの特質は、因子の分散を通して機能する。
• 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: Sparsity or complexity? In modern high-dimensional asset pricing, these are often viewed as competing principles: richer feature spaces appear to favor complexity, while economic intuition has long favored parsimony. We show that this tension is misplaced. We distinguish capacity sparsity-the dimensionality of the candidate feature space-from factor sparsity-the parsimonious structure of priced risks-and argue that the two are complements: expanding capacity enables the discovery of factor sparsity. Revisiting the benchmark empirical design of Didisheim et al. (2025) and pushing it to higher complexity regimes, we show that nonlinear feature expansions combined with basis pursuit yield portfolios whose out-of-sample performance dominates ridgeless benchmarks beyond a critical complexity threshold. The evidence shows that the gains from complexity arise not from retaining more factors, but from enlarging the space from which a sparse structure of priced risks can be identified. The virtue of complexity in asset pricing operates through factor sparsity.
• Abstract（参考訳）: 複雑さか複雑さか? よりリッチな特徴空間は複雑さを優先しているように見えるが、経済的な直観は長い間パシモニーを好んでいる。 私たちはこの緊張が間違っていることを示します。 キャパシティ・スペシャリティ(キャパシティ・スペシャリティ、キャパシティ・スペシャリティ、キャパシティ・スペシャリティ、キャパシティ・スペシャリティ、英: capacity sparsity)とは、キャパシティを拡大することで、ファクタ・スペシャリティの発見を可能にする。 Didisheim et al (2025) のベンチマーク実証設計を再検討し、より高次複雑性体制に推し進めることで、非線形特徴拡張と、非サンプル性能が致命的な複雑性しきい値を超える隆起性ベンチマークを支配している基本利得ポートフォリオが組み合わさったことを示す。 この証拠は、複雑さから得られる利益は、より多くの要因を保持することではなく、価格の低いリスクのスパース構造を識別できる空間を拡大することに由来することを示している。 資産価格の複雑さの特質は、因子の分散を通じて機能する。

関連論文リスト

• Hierarchical Budget Policy Optimization for Adaptive Reasoning [49.621779447691665]
  階層的予算政策最適化(Hierarchical Budget Policy Optimization, HBPO)は、モデルが問題固有の推論深度を犠牲にすることなく学習できる強化学習フレームワークである。 HBPOは、探索空間を予算制約付き階層(512-2560トークン)に分割する。 大規模な実験により、HBPOは平均トークン使用量を最大60.6%削減し、4つの推論ベンチマークで精度を3.14%改善した。
  論文  参考訳（メタデータ） (2025-07-21T17:52:34Z)
• Sparse Mixture-of-Experts for Compositional Generalization: Empirical Evidence and Theoretical Foundations of Optimal Sparsity [89.81738321188391]
  本研究では,SMoEモデルにおけるタスク複雑性と最適空間の関係について検討する。 最適な間隔は、最小限のアクティベーション(1-2専門家)とフルアクティベーションの間にあり、その正確な数はタスクの複雑さに比例する。
  論文  参考訳（メタデータ） (2024-10-17T18:40:48Z)
• The Computational Complexity of Circuit Discovery for Inner Interpretability [0.30723404270319693]
  我々は古典的およびパラメータ化された計算複雑性理論を用いて回路発見を研究する。 私たちの発見は、難しい複雑さの風景を明らかにします。 このフレームワークは、解釈可能性クエリの範囲と限界を理解するのに役立ちます。
  論文  参考訳（メタデータ） (2024-10-10T15:22:48Z)
• Understanding Best Subset Selection: A Tale of Two C(omplex)ities [18.83617956033111]
  高次元スパース線形回帰モデルにおけるベストサブセット選択(BSS)の問題点を考察する。 特に、識別可能性マージンと2つの複雑性尺度に応じて、必要条件と十分なマージン条件の両方を確立する。
  論文  参考訳（メタデータ） (2023-01-16T04:52:46Z)
• Deep Partial Least Squares for Empirical Asset Pricing [0.4511923587827302]
  我々は、deep partial least squares (DPLS) を用いて、個々の株式リターンに対する資産価格モデルの推定を行う。 新たな貢献は、非線形因子構造を解決し、経験的資産価格におけるディープラーニングの現在のパラダイムを前進させることである。
  論文  参考訳（メタデータ） (2022-06-20T21:30:39Z)
• Sample-Efficient Reinforcement Learning in the Presence of Exogenous Information [77.19830787312743]
  実世界の強化学習アプリケーションでは、学習者の観察空間は、その課題に関する関連情報と無関係情報の両方でユビキタスに高次元である。 本稿では,強化学習のための新しい問題設定法であるExogenous Decision Process (ExoMDP)を導入する。 内因性成分の大きさのサンプル複雑度で準最適ポリシーを学習するアルゴリズムであるExoRLを提案する。
  論文  参考訳（メタデータ） (2022-06-09T05:19:32Z)
• Online Learning with Knapsacks: the Best of Both Worlds [54.28273783164608]
  オンライン学習の課題として,意思決定者が,リソース制約の有限セットに違反することなく,期待する報酬を最大化したい,という課題を提起する。 当社のフレームワークは,意思決定者がそのエビデンスを柔軟かつコスト論的に扱えるようにします。
  論文  参考訳（メタデータ） (2022-02-28T12:10:48Z)
• Cost-Sensitive Portfolio Selection via Deep Reinforcement Learning [100.73223416589596]
  深層強化学習を用いたコスト依存型ポートフォリオ選択手法を提案する。 具体的には、価格系列パターンと資産相関の両方を抽出するために、新しい2ストリームポートフォリオポリシーネットワークを考案した。 蓄積したリターンを最大化し、強化学習によるコストの両立を抑えるため、新たなコスト感受性報酬関数が開発された。
  論文  参考訳（メタデータ） (2020-03-06T06:28:17Z)

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。