論文の概要: Addressing Market Regime Changes and Heavy-Tailed Returns in Portfolio Optimization via Bayesian VAR and Elliptical Black-Litterman

• arxiv url: http://arxiv.org/abs/2606.09104v1
• Date: Mon, 08 Jun 2026 06:58:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:06.773556
• Title: Addressing Market Regime Changes and Heavy-Tailed Returns in Portfolio Optimization via Bayesian VAR and Elliptical Black-Litterman
• Title（参考訳）: ベイジアンVARと楕円型ブラックリッターマンによるポートフォリオ最適化における市場レジーム変化とヘビーターンリターン
• Abstract要約: 本稿では,高脂肪率リターンを考慮したポートフォリオ最適化のための深層強化学習アルゴリズムを提案する。 このアルゴリズムは最先端の手法よりも優れており、シャープ比が1.72、ソルティーノ比が2.70、トータルリターンが57.26%である。
• 参考スコア（独自算出の注目度）: 5.64741634621447
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep reinforcement learning (DRL) frameworks for portfolio optimization have shown promise for their ability to learn allocation rules dynamically from market data. However, these models fail to account for fat-tailed returns, which characterize actual market behavior with more frequent extreme events. Furthermore, historical data is treated homogeneously, without accounting for temporal importance, leading models to fail during regime changes. We propose a new BAVAR-BLED algorithm that combines methods derived from Bayesian-Averaging Vector Autoregressive (BAVAR) and the Black-Litterman model using Elliptical Distributions (BLED) within a TD3 architecture. BAVAR captures a set of vector autoregressive representations that consider multi-scale temporal features, enabling adaptive allocation decisions based on regime-aware estimates of return expectations and dispersion matrices. These estimates serve as prior inputs to BLED, a model that uses Student's t-distributions, allowing for more realistic fat tail return estimates. The BAVAR-BLED algorithm uses transformer networks for view construction and CNNs for risk-aversion estimates, which modify dynamic allocation decisions based on market conditions. An evaluation of 29 Dow Jones Industrial Average constituents over a decade-long market period shows that BAVAR-BLED significantly outperforms state-of-the-art methods, achieving Sharpe and Sortino ratios of 1.72 and 2.70, respectively, and total returns of 57.26%.
• Abstract（参考訳）: ポートフォリオ最適化のための深層強化学習(DRL)フレームワークは、市場データから割り当てルールを動的に学習する能力を示す。 しかし、これらのモデルは、より頻繁な極端なイベントを伴う実際の市場の振る舞いを特徴付ける、太い尾のリターンを説明できない。 さらに、歴史的データは時間的重要性を考慮せずに均質に扱われ、制度変更時にモデルが失敗する。 本稿では,Bayesian-Averaging Vector Autoregressive(BAVAR)から派生した手法と,TD3アーキテクチャ内の楕円分布(BLED)を用いたBlack-Littermanモデルを組み合わせた新しいBAVAR-BLEDアルゴリズムを提案する。 BAVARは、マルチスケールの時間的特徴を考慮したベクトル自己回帰表現の集合をキャプチャし、リターン期待と分散行列のシステマティックアロケーション推定に基づいて適応的なアロケーション決定を可能にする。 これらの推定は、学生のt分布を用いたモデルであるBLEDへの事前入力として機能し、より現実的な脂肪の尾の回帰推定を可能にする。 BAVAR-BLEDアルゴリズムは、市場条件に基づいて動的アロケーション決定を変更するリスク・アバージョン推定のために、コンストラクタ・ネットワークとCNNのビュー・コンストラクタ・ネットワークを使用する。 BAVAR-BLEDは10年にわたる市場期間に29のダウ・ジョーンズ工業平均成分を評価し、それぞれ1.72と2.70のシャープとソルティーノの比率を達成し、57.26%のリターンを達成している。

関連論文リスト

• Unbiased Dynamic Pruning for Efficient Group-Based Policy Optimization [60.87651283510059]
  Group Relative Policy Optimization (GRPO) はLLM推論を効果的にスケールするが、計算コストは禁じている。 本研究では,非バイアス勾配推定を保ちながら動的プルーニングを可能にする動的プルーニングポリシー最適化(DPPO)を提案する。 刈り込みによって引き起こされるデータの空間性を軽減するため,ウィンドウベースの欲求戦略であるDense Prompt Packingを導入する。
  論文  参考訳（メタデータ） (2026-03-04T14:48:53Z)
• Optimization of Deep Learning Models for Dynamic Market Behavior Prediction [4.594360512414794]
  UCI Online Retail IIデータセットを用いて,電子商取引におけるマルチ水平需要予測について検討した。 本稿では,マルチスケールの時間的畳み込み,ゲートリカレントモジュール,タイムアウェア・セルフアテンションを組み合わせたハイブリッド・シーケンス・モデルを提案する。 結果は,ピーク/ホリデー期間において,一貫した精度向上と改善を示した。
  論文  参考訳（メタデータ） (2025-11-24T13:30:52Z)
• BAPO: Stabilizing Off-Policy Reinforcement Learning for LLMs via Balanced Policy Optimization with Adaptive Clipping [69.74252624161652]
  適応クリッピング(BAPO)を用いたBAlanced Policy Optimizationを提案する。 BAPOはクリッピングバウンダリを動的に調整し、適応的に正と負のコントリビューションを再バランスさせ、エントロピーを保持し、RL最適化を安定化させる。 AIME 2024とAIME 2025ベンチマークでは、7B BAPOモデルがSkyWork-OR1-7Bのようなオープンソースモデルを上回っています。
  論文  参考訳（メタデータ） (2025-10-21T12:55:04Z)
• RegimeFolio: A Regime Aware ML System for Sectoral Portfolio Optimization in Dynamic Markets [2.21658458251407]
  RegimeFolioは、レジームを意識し、セクターを専門とする新しいフレームワークである。 明示的なボラティリティ体制のセグメンテーションとセクター固有のアンサンブル予測を統合している。 我々は2020年から2024年にかけて、34の米国株式に対するRegimeFolioの評価を行った。
  論文  参考訳（メタデータ） (2025-09-14T12:03:06Z)
• MARS: Unleashing the Power of Variance Reduction for Training Large Models [56.67982828148859]
  深層ニューラルネットワークのための統合トレーニングフレームワークを提案する。 我々は,事前条件付き勾配最適化を利用するMARSの3つの例を紹介する。 その結果,MARSの実装はAdamより一貫して優れていた。
  論文  参考訳（メタデータ） (2024-11-15T18:57:39Z)
• UncertaintyRAG: Span-Level Uncertainty Enhanced Long-Context Modeling for Retrieval-Augmented Generation [93.38604803625294]
  IncertaintyRAG, a novel approach for long-context Retrieval-Augmented Generation (RAG)について紹介する。 我々は、SNR(Signal-to-Noise Ratio)ベースのスパン不確実性を用いて、テキストチャンク間の類似性を推定する。 不確かさRAGはLLaMA-2-7Bでベースラインを2.03%上回り、最先端の結果を得る。
  論文  参考訳（メタデータ） (2024-10-03T17:39:38Z)
• Application of Deep Learning for Factor Timing in Asset Management [21.212548040046133]
  より柔軟なモデルは、目に見えない期間の係数プレミアムのばらつきを説明するのにより良いパフォーマンスを持つ。 ニューラルネットワークのような柔軟なモデルでは、予測に基づく最適な重み付けは不安定である傾向がある。 我々は、過去の最適再バランス方式によるリバランス頻度の傾きが、取引コストの削減に役立つことを検証した。
  論文  参考訳（メタデータ） (2024-04-27T21:57:17Z)
• 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)
• Commodities Trading through Deep Policy Gradient Methods [0.0]
  商品取引問題を連続的な離散時間力学系として定式化する。 アクターベースとアクタークリティカルベースの2つのポリシーアルゴリズムが導入された。 先月末の天然ガス先物試験では、DRLモデルのシャープ比が買いと持ち株ベースラインと比較して83%高くなることが示されている。
  論文  参考訳（メタデータ） (2023-08-10T17:21:12Z)
• Deep Policy Gradient Methods in Commodity Markets [0.0]
  トレーダーは流動性を提供し、ボラティリティを下げることで市場の安定化に重要な役割を果たしている。 本論文は,商品取引における深層強化学習手法の有効性について考察する。
  論文  参考訳（メタデータ） (2023-06-14T11:50:23Z)
• Regularizing Variational Autoencoder with Diversity and Uncertainty Awareness [61.827054365139645]
  変分オートエンコーダ(VAE)は、償却変分推論に基づいて潜伏変数の後部を近似する。 よりディバースで不確実な潜在空間を学習するための代替モデルDU-VAEを提案する。
  論文  参考訳（メタデータ） (2021-10-24T07:58:13Z)

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。