論文の概要: Grounding Investor Views: Neural Predicates in the Black-Litterman Model

• arxiv url: http://arxiv.org/abs/2607.20533v1
• Date: Fri, 10 Jul 2026 14:32:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 00:46:13.221153
• Title: Grounding Investor Views: Neural Predicates in the Black-Litterman Model
• Title（参考訳）: グラウンディングインベスタービュー:ブラック・リッターマンモデルにおけるニューラル述語
• Abstract要約: ブラック・リッターマン・モデルの下でのポートフォリオの構築では、投資家は明確な不確実性の推定とともに資産のリターンに関する見解を指定する必要がある。 本稿では,ニューラル述語がビュー生成のための構造的確率的メカニズムとして機能する形式的アプローチを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Portfolio construction under the Black-Litterman model requires investors to specify views on asset returns alongside explicit uncertainty estimates -- a process that remains largely subjective and difficult to scale. We propose a formal approach in which neural predicates serve as a structured, probabilistic mechanism for view generation. In our formulation, structured financial analysis data is processed through a compositional hierarchy of neural predicates whose outputs -- probability distributions over market stances -- are mapped to the pick matrix $\mathbf{P}$, the view return vector $\mathbf{q}$, and the view uncertainty matrix $\boldsymbolΩ$ of the Black-Litterman model. View confidence is derived from predicate output distributions, providing a data-driven alternative to subjective uncertainty elicitation. The resulting approach is interpretable, in the sense that any portfolio weight can be traced back through the predicate's logical chain to the underlying data, and fully differentiable, enabling end-to-end learning.
• Abstract（参考訳）: ブラック・リッターマン・モデルの下でのポートフォリオ構築は、投資家に対して、明確な不確実性推定(主に主観的かつスケールが難しいプロセス)とともに、資産の返却に関する見解を指定することを要求する。我々は、ニューラル・述語がビュー生成のための構造化された確率的メカニズムとして機能する形式的アプローチを提案する。この定式化において、構造化された財務分析データは、市場スタンス上の確率分布である出力がピック行列 $\mathbf{P}$、ビュー・リターンベクトル $\mathbf{q}$、そしてビューの不確実性行列 $\boldsymbol$$にマッピングされるニューラル・述語の合成階層を通して処理される。 ビュー信頼度は、主観的不確実性推論に対するデータ駆動的な代替手段を提供する、述語出力分布から導かれる。 結果として得られるアプローチは解釈可能であり、どんなポートフォリオの重みも述語の論理的連鎖から基礎となるデータまで遡り、完全に差別化可能であり、エンドツーエンドの学習を可能にするという意味で成り立つ。

関連論文リスト

• Probabilistic Forecasting Cryptocurrencies Volatility: From Point to Quantile Forecasts [1.8352113484137627]
  本稿では,幅広いベースモデルからの点予測を利用する確率的予測手法を提案する。 我々の知る限りでは、暗号通貨市場におけるばらつきの確率論的予測を提案し、体系的に評価する文献としては、これが初めてである。 Bitcoinの実証的な結果は、QRS(Quantile Estimation through Residual Simulation)メソッドが、より高度な代替手段を一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2025-08-21T18:42:11Z)
• Latent Variable Estimation in Bayesian Black-Litterman Models [1.1718316049475228]
  ベイジアン・ブラック・リッターマン(BL)ポートフォリオモデルを再検討し、主観的な投資家の見解への依存を取り除く。 私たちのキーとなるアイデアは、$(q,Omega)$を潜伏変数として扱い、1つのベイズネットワーク内の市場データからそれらを学ぶことです。 シャープ比を50%改善し,Markowitzおよびインデックスベースラインと比較して55%削減する。
  論文  参考訳（メタデータ） (2025-05-04T17:05:59Z)
• I Predict Therefore I Am: Is Next Token Prediction Enough to Learn Human-Interpretable Concepts from Data? [76.15163242945813]
  大規模言語モデル (LLM) は、多くの人が知能の形式を示すと結論づけている。 本稿では,潜在離散変数として表現される人間解釈可能な概念に基づいてトークンを生成する新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2025-03-12T01:21:17Z)
• 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)
• $p$-DkNN: Out-of-Distribution Detection Through Statistical Testing of Deep Representations [32.99800144249333]
  我々は、訓練された深層ニューラルネットワークを使用し、その中間の隠蔽表現の類似構造を分析する新しい推論手順である$p$-DkNNを紹介した。 我々は、$p$-DkNNでアダプティブアタッカーが、最悪のOOD入力の形式である敵の例を作成して、入力に意味のある変更を導入する。
  論文  参考訳（メタデータ） (2022-07-25T21:42:08Z)
• CARD: Classification and Regression Diffusion Models [51.0421331214229]
  本稿では,条件生成モデルと事前学習条件平均推定器を組み合わせた分類と回帰拡散(CARD)モデルを提案する。 おもちゃの例と実世界のデータセットを用いて条件分布予測におけるCARDの卓越した能力を示す。
  論文  参考訳（メタデータ） (2022-06-15T03:30:38Z)
• NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural Networks [151.03112356092575]
  本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。 種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
  論文  参考訳（メタデータ） (2022-02-07T12:30:45Z)
• DoLFIn: Distributions over Latent Features for Interpretability [8.807587076209568]
  ニューラルネットワークモデルにおける解釈可能性を実現するための新しい戦略を提案する。 我々のアプローチは、確率を中心量として使う成功に基づいている。 DoLFInは解釈可能なソリューションを提供するだけでなく、古典的なCNNやBiLSTMテキスト分類よりも若干優れています。
  論文  参考訳（メタデータ） (2020-11-10T18:32:53Z)
• Interpreting Graph Neural Networks for NLP With Differentiable Edge Masking [63.49779304362376]
  グラフニューラルネットワーク(GNN)は、構造的帰納バイアスをNLPモデルに統合する一般的なアプローチとなっている。 本稿では,不要なエッジを識別するGNNの予測を解釈するポストホック手法を提案する。 モデルの性能を劣化させることなく,多数のエッジを落とせることを示す。
  論文  参考訳（メタデータ） (2020-10-01T17:51:19Z)
• An Interpretable Probabilistic Approach for Demystifying Black-box Predictive Models [2.0155921857858474]
  批判的意思決定に洗練された機械学習モデルを使用することは、これらのモデルがしばしば「ブラックボックス」として適用されるという課題に直面している。 これにより、解釈可能な機械学習への関心が高まり、ポストホック解釈は複雑な学習モデルの解釈を生成するのに有用なメカニズムを示す。 我々は,ブラックボックス予測モデルのポストホック解釈を生成するため,ベイズネットワークの拡張フレームワークを基盤とした新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2020-07-21T09:04:04Z)

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。