Fugu-MT 論文翻訳(概要): Impact of Expert-Following Strategies in Financial Asset Recommendation

論文の概要: Impact of Expert-Following Strategies in Financial Asset Recommendation

arxiv url: http://arxiv.org/abs/2607.14556v1
Date: Thu, 16 Jul 2026 04:34:57 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-17 17:01:32.985378
Title: Impact of Expert-Following Strategies in Financial Asset Recommendation
Title（参考訳）: 金融資産レコメンデーションにおけるエキスパートフォロー戦略の影響
Abstract要約: 歴史的ROIに基づいて、最高パフォーマンスの投資家を識別するフレームワークであるExpert-Following Strategiesを提案する。実世界の取引履歴を用いた実験により,ROIとnDCGの双方において,市場平均ベースラインに対する統計的に有意な改善が得られた。
参考スコア（独自算出の注目度）: 41.54865096569508
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Financial institutions hold rich transaction histories, yet delivering recommendations that simultaneously maximize investment returns and ensure preference alignment remains a significant challenge. Existing approaches, namely return-based and preference-based strategies, each optimize a single objective, resulting in a fundamental trade-off between profitability (ROI) and relevance (nDCG). In this paper, we propose the Expert-Following Strategies: a framework that identifies top-performing investors based on their historical ROI and recommends the assets they purchased, scored by ROI-weighted purchase frequency. Our experiments using real-world transaction histories show that our strategy achieves statistically significant improvement over the market-average baseline in both ROI and nDCG simultaneously across all four thresholds.
Abstract（参考訳）: 金融機関は豊富な取引履歴を持っているが、投資リターンの最大化と優先調整の確保を同時に行うレコメンデーションは重要な課題である。既存のアプローチ、すなわちリターンベースと優先ベースの戦略は、それぞれひとつの目標を最適化し、収益性(ROI)と相対性(nDCG)の基本的なトレードオフをもたらす。本稿では、過去のROIに基づいて最高業績の投資家を識別するフレームワークであるExpert-Following Strategiesを提案し、ROI重み付き購入頻度で購入した資産を推奨する。実世界の取引履歴を用いた実験により,4つのしきい値のそれぞれでROIおよびnDCGの市場平均ベースラインに対する統計的に有意な改善が得られた。

関連論文リスト

Your Offline Policy is Not Trustworthy: Bilevel Reinforcement Learning for Sequential Portfolio Optimization [82.03139922490796]
強化学習(Reinforcement Learning, RL)は、過去のデータを用いたリスクを最小限にしつつ累積リターンを最大化することを目的とした、株式取引のような逐次的ポートフォリオ最適化タスクにおいて、大きな可能性を示してきた。従来のRLアプローチは、固定データセット内での振る舞いの購入と販売を最適に記憶するだけのポリシーを生成することが多い。当社のアプローチでは,ポートフォリオ最適化を新たなタイプの部分オフラインRL問題として捉え,2つの技術的貢献を行う。
論文参考訳（メタデータ） (2025-05-19T06:37:25Z)
Deep Reinforcement Learning for Investor-Specific Portfolio Optimization: A Volatility-Guided Asset Selection Approach [2.2835610890984164]
本研究では,投資家のリスクプロファイルに基づいてポートフォリオを動的に構築するボラティリティ誘導型ポートフォリオ最適化フレームワークを提案する。提案手法の有効性はダウ30ドル指数の株を用いて確立された。
論文参考訳（メタデータ） (2025-04-20T10:17:37Z)
Regret-Optimized Portfolio Enhancement through Deep Reinforcement Learning and Future Looking Rewards [3.9795751586546766]
本稿では、PPO(Proximal Policy Optimization)を用いた既存のポートフォリオ戦略を強化するためのエージェントベースの新しいアプローチを提案する。従来のポートフォリオ構築にのみ焦点をあてるのではなく、当社のアプローチは、PPOとOracleエージェントによって駆動される動的リバランスを通じて、すでに高性能な戦略を改善することを目的としています。
論文参考訳（メタデータ） (2025-02-04T11:45:59Z)
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)
Optimizing Credit Limit Adjustments Under Adversarial Goals Using Reinforcement Learning [42.303733194571905]
我々は、強化学習技術を用いて最適なクレジットカード制限調整ポリシーを発見し、自動化することを模索する。本研究は、信用限度調整に強化学習フレームワークを適用するための概念構造を確立する。
論文参考訳（メタデータ） (2023-06-27T16:10:36Z)
E2EAI: End-to-End Deep Learning Framework for Active Investing [123.52358449455231]
本稿では, ファクタ選択, ファクタ組み合わせ, 株式選択, ポートフォリオ構築を通じて, ファクター投資のほぼ全過程をカバーするE2Eを提案する。実際の株式市場データの実験は、アクティブ投資におけるエンドツーエンドのディープ・リーン・フレームワークの有効性を示している。
論文参考訳（メタデータ） (2023-05-25T10:27:07Z)
Asset Allocation: From Markowitz to Deep Reinforcement Learning [2.0305676256390934]
資産配分とは、ポートフォリオの資産を常に再分配することでリスクと報酬のバランスをとることを目的とした投資戦略である。我々は、多くの最適化手法の有効性と信頼性を決定するために、広範囲なベンチマーク研究を行う。
論文参考訳（メタデータ） (2022-07-14T14:44:04Z)
Robo-Advising: Enhancing Investment with Inverse Optimization and Deep Reinforcement Learning [13.23731449431572]
2つのMLエージェントからなるフルサイクルデータ駆動型投資ロボマネジメントフレームワークを提案する。提案された投資パイプラインは、2016年4月1日から2021年2月1日までの実際の市場データに適用され、S&P 500ベンチマークポートフォリオを一貫して上回っている。
論文参考訳（メタデータ） (2021-05-19T17:20:03Z)
Universal Trading for Order Execution with Oracle Policy Distillation [99.57416828489568]
本稿では,不完全な市場状態と注文実行のための最適な行動シーケンスとのギャップを埋める,新たなユニバーサル取引ポリシー最適化フレームワークを提案する。本研究の枠組みは,完全情報を持つ託宣教師による実践的最適実行に向けて,共通政策の学習を指導する上で有効であることを示す。
論文参考訳（メタデータ） (2021-01-28T05:52:18Z)
Learning Risk Preferences from Investment Portfolios Using Inverse Optimization [25.19470942583387]
本稿では,既存ポートフォリオからのリスク嗜好を逆最適化を用いて測定する手法を提案する。我々は、20年間の資産価格と10年間の相互ファンドポートフォリオ保有からなる実市場データについて、本手法を実証する。
論文参考訳（メタデータ） (2020-10-04T21:29:29Z)
Reinforcement-Learning based Portfolio Management with Augmented Asset Movement Prediction States [71.54651874063865]
ポートフォリオマネジメント(PM)は、最大利益や最小リスクといった投資目標を達成することを目的としている。本稿では,PMのための新しいステート拡張RLフレームワークであるSARLを提案する。当社の枠組みは, 金融PMにおける2つのユニークな課題に対処することを目的としている。(1) データの異種データ -- 資産毎の収集情報は通常, 多様性, ノイズ, 不均衡(ニュース記事など), (2) 環境の不確実性 -- 金融市場は多様で非定常である。
論文参考訳（メタデータ） (2020-02-09T08:10:03Z)

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。