論文の概要: Generating Input Distributions for Explaining Portfolio Optimization Pipelines
- arxiv url: http://arxiv.org/abs/2606.25808v1
- Date: Wed, 24 Jun 2026 13:23:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-25 17:05:30.348737
- Title: Generating Input Distributions for Explaining Portfolio Optimization Pipelines
- Title（参考訳）: ポートフォリオ最適化パイプラインの解説のための入力分布の生成
- Abstract要約: 本稿では、勾配に基づくサンプル生成を用いて様々なポートフォリオモデルを解釈する予測最適化記述フレームワークを提案する。
マクロ経済学的な条件下では、予測と最適化のパイプラインは、予測と最適化のパイプラインでリターンギャップを閉じたり、逆にしたりします。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We propose a predict-optimize-explain framework that uses gradient-based sample generation to interpret various portfolio models by identifying macroeconomic conditions that induce specified portfolio outcomes. Unlike traditional feature-importance methods, this approach directly probes decision pipelines (predictive models coupled with portfolio optimization) by constructing economically meaningful what-if questions. We focus on four such questions: under what macroeconomic conditions a predict-then-optimize pipeline closes or reverses its return gap with a predict-and-optimize pipeline; what conditions lead a pipeline to diversify rather than concentrate its allocation; when a pipeline trained on calm markets overtakes one trained through crises; and what conditions would let a pipeline match a benchmark return. These examples illustrate how our framework uncovers key behavioral differences between various decision pipelines. Beyond these cases, the proposed framework is flexible and can support a wide range of probing questions tailored to specific portfolio objectives. Our findings highlight the value of integrating prediction, optimization, and explanation to produce more robust and transparent portfolio strategies.
- Abstract（参考訳）: 本稿では、勾配に基づくサンプル生成を用いて、特定のポートフォリオ成果を誘導するマクロ経済条件を同定し、様々なポートフォリオモデルを解釈する予測最適化記述フレームワークを提案する。
従来の特徴重要度手法とは異なり、このアプローチは経済的に意味のある問題を構築することによって、決定パイプライン(ポートフォリオ最適化と組み合わせた予測モデル)を直接探索する。
マクロ経済的な条件下では、予測と最適化のパイプラインが、予測と最適化のパイプラインでリターンギャップを閉じたり反転させたりすること、アロケーションに集中するのではなくパイプラインを多様化させる条件、穏やかな市場においてトレーニングされたパイプラインが危機を通じてトレーニングされたパイプラインを追い越す場合、パイプラインがベンチマークリターンにマッチさせる条件、の4つに注目する。
これらの例は、私たちのフレームワークが、さまざまな意思決定パイプライン間の重要な振る舞いの違いを明らかにする方法を示しています。
これらのケース以外にも、提案されたフレームワークはフレキシブルであり、特定のポートフォリオの目的に合わせて、幅広い調査質問をサポートすることができる。
我々の発見は、より堅牢で透明なポートフォリオ戦略を生み出すために、予測、最適化、説明を統合することの価値を強調します。
関連論文リスト
- Learning Where Outcomes Change:Credit-Addressable Reasoning for Multimodal Geometry [105.89493240787861]
推論中に露出したセマンティックユニットは、学習が代替品と比較し、クレジットを割り当てる場所を定義する。
我々は,この原理を,ライン順応可能な実行可能コードとして視覚的関係を表すCode-CoTでインスタンス化し,推論を型付きイベントに整理する。
9つの幾何ベンチマークで、CE-GRPOは平均76.04の精度を達成し、Qwen3-VL-8Bと軌跡レベルGRPOをそれぞれ8.09$と3.43ポイント上回る。
論文 参考訳（メタデータ） (2026-08-31T08:44:36Z) - Decision-focused Sparse Tangent Portfolio Optimization [32.04232046262782]
convexプログラミングレイヤは、離散選択を、正確な濃度$k$を強制するスムーズなトップ$k$演算子に置き換える。
これにより、予測、資産選択、再最適化のフローが可能になり、予測モデルはポートフォリオのパフォーマンスを直接最適化することができる。
4つの主要株式市場全体で、当社の手法は競争力があり、しばしばサンプル外シャープ比が優れている。
論文 参考訳（メタデータ） (2026-07-01T08:06:07Z) - Selective Ensemble Based on Preference-Directed Multi-Objective Bandits [90.75513823660775]
我々は、部分的に指定された線形選好の下で逐次決定問題を定式化する。
次に、嗜好指向の高信頼度境界(PrefUCB)アルゴリズムを提案する。
大規模な事前学習型モデル選択アンサンブルタスクと,機関委任下でのオンラインアセットアロケーションの実験により,本手法が検証された。
論文 参考訳（メタデータ） (2026-06-20T07:52:46Z) - PARM: Pipeline-Adapted Reward Model [60.769414637325326]
リワードモデル(RM)は、大規模言語モデル(LLM)を人間の好みと整合させることの中心であり、高度な復号化戦略を推進している。
これまでの作業はシングルステップ生成に重点を置いていたが、現実のアプリケーションはますますマルチステージパイプラインを採用するようになっている。
我々は、最適化のためのコード生成を通じてこれを調査し、報酬モデルを定式化とソリューション段階の両方に統合するパイプラインを構築する。
論文 参考訳（メタデータ） (2026-04-20T14:29:08Z) - Contextual Preference Distribution Learning [5.872632454395936]
本稿では、優先分布を学習し、下流の問題を解決するためにそれらを活用するための逐次学習最適化パイプラインを提案する。
我々は、(整数)線形プログラムとして定式化できる人間の選択設定に焦点を当てる。
論文 参考訳（メタデータ） (2026-03-17T21:11:21Z) - Integrated Prediction and Multi-period Portfolio Optimization [29.582959310549594]
マルチ周期ポートフォリオ最適化は、取引コスト、パス依存リスク、および取引決定の時間的構造を考慮に入れている。
本稿では,ターンオーバーペナルティを用いた多周期平均分散ポートフォリオ最適化モデルであるIPMOを紹介する。
拡張性のために,KKT(Karush-Kuhn-Tucker)システムの分解を回避したMDFP( mirror-descent fixed-point)微分方式を提案する。
論文 参考訳（メタデータ） (2025-12-12T04:31:22Z) - Bayesian Portfolio Optimization by Predictive Synthesis [5.319802998033766]
既存のポートフォリオ最適化手法の多くは、ポートフォリオを構成する資産のリターンの分配に関する情報を必要とする。
流通情報を推定するための様々な手法が提案されているが、その正確性は金融市場の不確実性に大きく依存している。
論文 参考訳（メタデータ） (2025-10-08T16:18:11Z) - 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) - Rejection via Learning Density Ratios [50.91522897152437]
拒絶による分類は、モデルを予測しないことを許容する学習パラダイムとして現れます。
そこで我々は,事前学習したモデルの性能を最大化する理想的なデータ分布を求める。
私たちのフレームワークは、クリーンでノイズの多いデータセットで実証的にテストされます。
論文 参考訳（メタデータ） (2024-05-29T01:32:17Z) - Likelihood Ratio Confidence Sets for Sequential Decision Making [51.66638486226482]
確率に基づく推論の原理を再検討し、確率比を用いて妥当な信頼シーケンスを構築することを提案する。
本手法は, 精度の高い問題に特に適している。
提案手法は,オンライン凸最適化への接続に光を当てることにより,推定器の最適シーケンスを確実に選択する方法を示す。
論文 参考訳（メタデータ） (2023-11-08T00:10:21Z) - 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)
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。