論文の概要: Financially Guided Deep Portfolio Optimization

• arxiv url: http://arxiv.org/abs/2605.28853v1
• Date: Sat, 16 May 2026 22:30:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 02:55:43.04345
• Title: Financially Guided Deep Portfolio Optimization
• Title（参考訳）: 金融ガイドによるDeep Portfolio最適化
• Authors: Rahul Fernandes, Travis Desell,
• Abstract要約: 我々は、主要な金融指標の差別化可能なサロゲートを直接最適化するエンドツーエンドフレームワークを提案する。 当社のフレームワークは,同種のポートフォリオ,S&P 500,従来の手法を一貫して上回ります。
• 参考スコア（独自算出の注目度）: 2.9121235632815607
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Portfolio optimization in real-world financial markets is notoriously difficult due to non-stationarity, noisy data, and high transaction costs. Standard predict-then-optimize methods first forecast returns and then solve for weights, compounding prediction errors and often failing under regime shifts. We propose an end-to-end framework that directly optimizes differentiable surrogates of key financial metrics - Sharpe ratio, Omega ratio, Conditional Value-at-Risk (CVaR), and Risk Parity - allowing neural networks to learn portfolio weights via backpropagation. Our expanding-window walk-forward procedure, applied to 50 S&P 500 stocks from 2007 to 2023, incorporates realistic bid-ask spread costs and rebalances quarterly. On the challenging out-of-sample test period (2022-2023), the best model - an AttentionLSTM with the Omega-CVaR-RiskParity loss - achieves an annualized Sharpe of 0.29 and a total compounded return of +7.86%, while the S&P 500 delivers -4.52% total return and an annualized Sharpe of -0.02. This outperforms the S&P 500 by 12.38 percentage points (a relative improvement of over 270%), while keeping tail risk (CVaR) nearly unchanged. The framework consistently outperforms the equal-weight portfolio, S&P 500, and traditional methods (MVP, HRP, NCO), demonstrating that embedding financial objectives directly into model training yields robust, economically meaningful outperformance even in adverse market conditions.
• Abstract（参考訳）: 現実の金融市場でのポートフォリオ最適化は、非定常性、ノイズの多いデータ、取引コストが高いため、非常に難しい。 標準的な予測を最適化する手法は、まず回帰を予測し、次に重みを解き、予測エラーを複雑にし、しばしば政権シフトの下で失敗する。 本稿では,主要な金融指標 – シャープ比,オメガ比,条件付きバリューアットリスク(CVaR),リスクパリティ – を直接的に最適化するエンドツーエンドフレームワークを提案する。 2007年から2023年までの50株のS&P500株に適用される拡大するウォーキングフォワードの手続きには、現実的な入札のスプレッドコストと四半期のリバランスが組み込まれています。 挑戦的なアウト・オブ・サンプルテスト期間(2022-2023)では、最高のモデルであるオメガ・CVaR-RiskParity損失のアテンションLSTMが毎年0.29のシャープ、合計複合リターン+7.86%を獲得し、S&P 500は総リターン-4.52%と年次シャープ-0.02のシャープを達成している。 これはS&P500の12.38ポイント(相対的な改善は270%)を上回っ、尾のリスク(CVaR)はほぼ変わらない。 このフレームワークは、平等なポートフォリオ、S&P 500、および従来の方法(MVP、HRP、NCO)を一貫して上回り、金融目標を直接モデルトレーニングに直接組み込むことは、悪い市場の状況下であっても、堅牢で経済的に有意義なパフォーマンスをもたらすことを実証している。

関連論文リスト

• FIPO: Eliciting Deep Reasoning with Future-KL Influenced Policy Optimization [84.58281577727566]
  本稿では,大規模言語モデルにおける推論ボトルネックを克服する強化学習アルゴリズムであるFuture-KL Influenced Policy Optimization (FIPO)を提案する。 FIPOは、割引先KLの分岐をポリシー更新に組み込むことでこの問題に対処し、その後の軌道行動への影響に基づいてトークンを再重み付けする密集した有利な定式化を作成する。 Qwen2.5-32Bで評価され、FIPOは平均チェーン長を約4,000から10,000以上のトークンに拡張し、AIME 2024 Pass@1の精度を50.0%から58.0%に向上させた。
  論文  参考訳（メタデータ） (2026-03-20T10:24:50Z)
• Joint Return and Risk Modeling with Deep Neural Networks for Portfolio Construction [0.0]
  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。
  論文  参考訳（メタデータ） (2026-03-09T01:49:51Z)
• Quantum-Assisted Optimal Rebalancing with Uncorrelated Asset Selection for Algorithmic Trading Walk-Forward QUBO Scheduling via QAOA [0.2538209532048867]
  ポートフォリオ構築と再バランスのためのハイブリッド古典量子フレームワークを提案する。 我々の主な貢献は、ポートフォリオ再バランススケジュールを擬似非制約バイナリ最適化問題として定式化することである。 このアプローチは、動的リバランシングを、変分量子法に対応可能な構造化されたバイナリスケジューリング問題として再キャストする。
  論文  参考訳（メタデータ） (2026-03-04T15:15:55Z)
• Robust Reinforcement Learning in Finance: Modeling Market Impact with Elliptic Uncertainty Sets [57.179679246370114]
  金融分野では、強化学習(RL)エージェントは、価格に影響を与えない歴史的データに基づいて訓練されることが多い。 展開中、これらのエージェントは、自身の取引が資産価格を変えることができるライブマーケットで取引する。 従来のロバストなRLアプローチは、不確実性の集合に対して最悪のパフォーマンスを最適化することで、このモデルの誤特定に対処する。 楕円型不確実性集合の新たなクラスを開発し,効率的かつ堅牢な政策評価を可能にする。
  論文  参考訳（メタデータ） (2025-10-22T18:22:25Z)
• Increase Alpha: Performance and Risk of an AI-Driven Trading Framework [0.0]
  金融市場は非効率で、価格、ボリューム、断続的な関係が明らかにされていない。 increase Alphaでは、800以上の米国株を毎日の方向信号にマッピングするディープラーニングフレームワークを構築しました。 私たちは、透過的で業界標準のメトリクスを通してリアルタイムのパフォーマンスを評価します。
  論文  参考訳（メタデータ） (2025-09-20T14:37:02Z)
• Predicting Stock Market Crash with Bayesian Generalised Pareto Regression [0.0]
  極端に負のリターンはまれではあるが、経済的に大きな混乱を引き起こす。 本稿では,インド株式市場の極端な損失を予測するため,ベイジアン一般化パレート回帰モデルを開発する。
  論文  参考訳（メタデータ） (2025-06-21T02:36:05Z)
• Stockformer: A Price-Volume Factor Stock Selection Model Based on Wavelet Transform and Multi-Task Self-Attention Networks [3.7608255115473592]
  本稿では,ウェーブレット変換とマルチタスク自己アテンションネットワークを統合した価格-体積係数ストックセレクションモデルであるStockformerを紹介する。 ストックフォーマーは、株価のリターンを高頻度と低頻度に分解し、長期市場の動向と急激な出来事を注意深く捉えている。 実験結果から、Stockformerは複数の実市場データセットにおいて、既存の先進的な手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-11-23T04:33:47Z)
• Diffusion Variational Autoencoder for Tackling Stochasticity in Multi-Step Regression Stock Price Prediction [54.21695754082441]
  長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。 多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。 深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。 本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-18T16:21:15Z)
• Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models [48.87381259980254]
  我々は、ChatGPTのような大規模言語モデル(LLM)が、直接の金融トレーニングなしでニュースの見出しから株式市場の反応を予測する能力について文書化している。 GPT-4は、認識後カットオフの見出しを使って、最初の市場の反応を捉え、取引不能な初期反応に対して、ポートフォリオの1日当たりのヒット率を約90%達成している。
  論文  参考訳（メタデータ） (2023-04-15T19:22:37Z)

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。