論文の概要: A Meta Reinforcement Learning Approach to Goals-Based Wealth Management

• arxiv url: http://arxiv.org/abs/2605.02300v1
• Date: Mon, 04 May 2026 07:48:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.181149
• Title: A Meta Reinforcement Learning Approach to Goals-Based Wealth Management
• Title（参考訳）: ゴールベースウェルスマネジメントのためのメタ強化学習アプローチ
• Authors: Sanjiv R. Das, Harshad Khadilkar, Sukrit Mittal, Daniel Ostrov, Deep Srivastav, Hungjen Wang,
• Abstract要約: 我々は,数千の目標に基づく富管理問題に対して事前学習したメタ強化学習手法(メタRL)を開発した。 新たな投資家問題に対する個別のトレーニングと最適化を廃止することにより、推論モードのMetaRLモデルは、ほぼ最適の動的投資ポートフォリオを生成する。 トレーニングが1つの資本市場体制のみを使用する場合であっても、資本市場体制の変化に対して非常に堅牢な結果が得られます。
• 参考スコア（独自算出の注目度）: 0.9133451183797617
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Applying concepts related to zero-shot meta-learning and pre-training of foundation models, we develop a meta reinforcement learning approach (denoted MetaRL) that is pre-trained on thousands of goals-based wealth management (GBWM) problems. Each GBWM problem involves a multiple year scenario over which the investor looks to optimally choose an investment portfolio each year and choose to fulfill all, some, or none of the different financial goals that arise each year. These choices seek to maximize the expected total investor utility obtained from the fulfilled financial goals. By eliminating separate training and optimization for each new investor problem, the MetaRL model in inference mode produces near-optimal dynamic investment portfolio and goal-fulfilling strategies for a new GBWM problem within a few hundredths of a second. This delivers expected utilities that are, on average, 97.8% of the optimal expected utilities (determined via Dynamic Programming). These results are remarkably robust to capital market regime changes, even when training uses only one capital market regime. Further, the MetaRL approach can enable solving problems with larger state spaces where Dynamic Programming becomes computationally infeasible.
• Abstract（参考訳）: ゼロショットメタ学習と基礎モデルの事前学習を応用し,数千の目標に基づく富管理(GBWM)問題に基づいて事前学習したメタ強化学習手法(メタRL)を開発した。 各GBWM問題は、投資家が投資ポートフォリオを最適に選択し、毎年発生するさまざまな財務上の目標を全て、一部、あるいは全く満たすことを選択する、という複数のシナリオを含む。 これらの選択は、充足された財務目標から得られる総投資家の効力の最大化を目指している。 新しい投資家問題ごとに個別のトレーニングと最適化を廃止することにより、推論モードのMetaRLモデルは、数百分の1秒以内に、新しいGBWM問題に対して、ほぼ最適な動的投資ポートフォリオとゴール充足戦略を生成する。 これにより、期待されるユーティリティの97.8%が提供される(動的プログラミングによって決定される)。 これらの結果は、訓練が1つの資本市場体制のみを使用する場合であっても、資本市場体制の変化に対して極めて堅牢である。 さらに、メタRLアプローチは、動的プログラミングが計算的に不可能になるような、より大きな状態空間での問題解決を可能にする。

関連論文リスト

• LLM-based Personalized Portfolio Recommender: Integrating Large Language Models and Reinforcement Learning for Intelligent Investment Strategy Optimization [0.08496348835248901]
  本稿では LLM ベースのパーソナライズされたポートフォリオレコメンダを紹介する。 このフレームワークは、大規模言語モデル、強化学習、知的投資決定を支援するために個別化されたリスク優先モデリングを組み合わせる。
  論文  参考訳（メタデータ） (2025-12-15T02:12:53Z)
• 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)
• FinXplore: An Adaptive Deep Reinforcement Learning Framework for Balancing and Discovering Investment Opportunities [4.042562775811427]
  本研究では、既存資産の活用と新たな投資機会の探求を融合した投資展望を紹介する。 あるエージェントは既存の宇宙内の資産を割り当て、別のエージェントは拡張宇宙における新しい機会を探索する。 実験は、最先端のポートフォリオ戦略とベースライン手法に対する提案されたアプローチの優位性を示す。
  論文  参考訳（メタデータ） (2025-09-05T10:20:32Z)
• 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)
• Demystifying Domain-adaptive Post-training for Financial LLMs [87.28855088465197]
  FINDAPは、大規模言語モデルのドメイン適応後トレーニングに関する体系的できめ細かな研究である。 このアプローチは、FinCap、FinRec、FinTrain、FinEvalの4つの重要なコンポーネントで構成されています。 結果として得られるモデルであるLlama-Finは、幅広い財務タスクにわたる最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-01-09T04:26:15Z)
• 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)
• Deep Reinforcement Learning for Robust Goal-Based Wealth Management [0.0]
  ゴールベースの投資は、特定の財政目標を達成することを優先する富管理へのアプローチである。 強化学習は、シーケンシャルな意思決定に適した機械学習技術である。 本稿では, 深層強化学習に基づくロバストな目標ベース富管理手法を提案する。
  論文  参考訳（メタデータ） (2023-07-25T13:51:12Z)

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。