論文の概要: Sparsity Regularized and Robust Mean Variance Portfolio Selection Under Ellipsoidal Uncertainty

• arxiv url: http://arxiv.org/abs/2609.11749v1
• Date: Thu, 10 Sep 2026 16:03:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 23:53:35.441298
• Title: Sparsity Regularized and Robust Mean Variance Portfolio Selection Under Ellipsoidal Uncertainty
• Title（参考訳）: 楕円形不確かさ下でのスパーシリティ正規化およびロバスト平均変動ポートフォリオ選択
• Abstract要約: 平均戻りベクトルの不確かさは楕円形の不確実性セットを介して組み込まれる。 我々は、局所的および大域的最小化器の構造を特徴付け、リスク最小化および戻り定式化においてこれらの特性を利用する。 この構造的洞察に基づいて、ロバストなポートフォリオ問題に合わせた分岐とバウンドのアルゴリズムを開発する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We investigate mean-variance portfolio selection with an $\ell_0$-penalty to promote sparsity in asset allocations. Uncertainty in the mean return vector is incorporated through an ellipsoidal uncertainty set, yielding a robust sparse optimization framework. We characterize the structure of both local and global minimizers and exploit these properties in the risk minimization and return maximization formulations. Building on this structural insight, we develop a branch-and-bound algorithm tailored to the resulting robust sparse portfolio problems, together with a new pruning rule that can discard exponentially many candidate portfolios in a single step. Extensive computational experiments on real market data, together with comparisons against a mixed-integer second-order cone programming solver, demonstrate the effectiveness and competitiveness of the proposed approach.
• Abstract（参考訳）: 平均分散ポートフォリオ選択を$\ell_0$-penaltyで検討し、資産配分のスパーシリティを促進する。 平均戻りベクトルの不確かさは楕円形の不確実性集合を通じて組み込まれ、頑健なスパース最適化の枠組みが得られる。 局所最小化と大域最小化の両方の構造を特徴付け、リスク最小化と戻り最大化の定式化においてこれらの特性を利用する。 この構造的洞察に基づいて、結果として生じるロバストなスパースなポートフォリオ問題に適した分岐とバウンドのアルゴリズムと、指数関数的に多くの候補ポートフォリオを1ステップで破棄できる新しいプルーニングルールを開発する。 実市場データに対する広範囲な計算実験と混合整数2次コーン計画法との比較により,提案手法の有効性と競争性を実証した。

関連論文リスト

• Variable Selection for Feature-Based Newsvendor [1.9851118379257533]
  機能ベースのニューズベンダーモデルは、需要不確実性の下での保持と不足コストのバランスをとる。 高次元の特徴セットは解釈可能性を妨げることが多く、データ収集と実装コストを増大させる。 本稿では,特徴量に対する厳密度制約の下で,特徴量に基づくニュースベンダ問題の変数選択について検討する。
  論文  参考訳（メタデータ） (2026-09-01T17:10:24Z)
• Deep Reinforcement Learning for Reliability Based Bi-Objective Portfolio Optimization [5.11777500105171]
  信頼性に基づくポートフォリオ最適化(MORP-DRL)のための深層強化学習フレームワークを提案する。 我々は,3つの相補的リスク尺度,条件付きバリュー・アット・リスク(CVaR),エントロピー的バリュー・アット・リスク(EVaR)を用いて,期待されるリターンとダウンサイドのリスクを共同で最適化する。 10のグローバルエクイティ指標の実験では、MORP-DRLは競争リスク-リターン性能、市場ストレスの期間におけるダウンサイドリスクの低減、高次元ポートフォリオ設定へのスケーラビリティを実現している。
  論文  参考訳（メタデータ） (2026-07-07T06:24:32Z)
• A Novel approach to portfolio construction [0.0]
  本稿では,資産選択とポートフォリオ構築のための機械学習ベースのフレームワークを提案する。 BPASGM(Best-Path Algorithm Sparse Graphical Model)と呼ばれる。 モンテカルロシミュレーションでは、BPASGMベースのポートフォリオはより安定したリスク-リターンプロファイル、実現されたボラティリティの低減、リスク調整性能の向上を実現している。
  論文  参考訳（メタデータ） (2026-02-03T09:52:06Z)
• Covariance-Aware Simplex Projection for Cardinality-Constrained Portfolio Optimization [0.0]
  Covariance-Aware Simplex Projection (CASP) は、ボラティリティ正規化スコアを用いて目的の資産数を選択する2段階の修理オペレータである。 S&P 500データ(2020-2024)では、CASP-Basicは標準ユークリッド修理よりもポートフォリオのばらつきがかなり低い。
  論文  参考訳（メタデータ） (2025-12-23T02:22:53Z)
• Modest-Align: Data-Efficient Alignment for Vision-Language Models [67.48633659305592]
  クロスモーダルアライメントモデルは、リソース制約のある環境での運用において、過信と劣化したパフォーマンスに悩まされることが多い。 我々は,ロバスト性と効率性に配慮した軽量アライメントフレームワークであるModest-Alignを提案する。 本手法は,実世界の低リソースシナリオにおけるクロスモーダルアライメントを実現するための,実用的でスケーラブルなソリューションを提供する。
  論文  参考訳（メタデータ） (2025-10-24T16:11:10Z)
• Distributionally Robust Optimization with Adversarial Data Contamination [49.89480853499918]
  凸リプシッツ損失関数を持つ一般化線形モデルに対するワッサーシュタイン-1 DRO 目標の最適化に焦点をあてる。 私たちの主な貢献は、データ汚染のトレーニングに対するロバストネスと分散シフトに対するロバストネスを統合した、新しいモデリングフレームワークです。 この研究は、データ汚染と分散シフトという2つの課題の下で学習するために、効率的な計算によって支援される最初の厳密な保証を確立する。
  論文  参考訳（メタデータ） (2025-07-14T18:34:10Z)
• Asymptotically Optimal Linear Best Feasible Arm Identification with Fixed Budget [55.938644481736446]
  本稿では,誤差確率の指数的減衰を保証し,最適な腕識別のための新しいアルゴリズムを提案する。 我々は,複雑性のレベルが異なる様々な問題インスタンスに対する包括的経験的評価を通じて,アルゴリズムの有効性を検証する。
  論文  参考訳（メタデータ） (2025-06-03T02:56:26Z)
• Generalization Bounds of Surrogate Policies for Combinatorial Optimization Problems [53.03951222945921]
  我々はスムーズな(摂動された)ポリシーを解析し、線形オラクルが使用する方向に対して制御されたランダムな摂動を付加する。 我々の主な貢献は、過剰リスクを摂動バイアス、統計的推定誤差、最適化誤差に分解する一般化境界である。 車両のスケジューリングやスムーズ化がトラクタブルトレーニングと制御された一般化の両方を可能にしていることを示す。
  論文  参考訳（メタデータ） (2024-07-24T12:00:30Z)
• Model-Based Epistemic Variance of Values for Risk-Aware Policy Optimization [59.758009422067]
  モデルベース強化学習における累積報酬に対する不確実性を定量化する問題を考察する。 我々は、解が値の真後分散に収束する新しい不確実性ベルマン方程式(UBE)を提案する。 本稿では,リスク・サーキングとリスク・アバース・ポリシー最適化のいずれにも適用可能な汎用ポリシー最適化アルゴリズムQ-Uncertainty Soft Actor-Critic (QU-SAC)を導入する。
  論文  参考訳（メタデータ） (2023-12-07T15:55:58Z)
• Robustifying Conditional Portfolio Decisions via Optimal Transport [19.30689697702845]
  副次情報,条件推定,ロバスト性を統合したデータ駆動型ポートフォリオ選択モデルを提案する。 側情報問題による分散ロバストなポートフォリオ割り当ては,有限次元最適化問題として再構成可能であることを示す。
  論文  参考訳（メタデータ） (2021-03-30T15:56:03Z)
• Distributional Robustness and Regularization in Reinforcement Learning [62.23012916708608]
  経験値関数の新しい正規化器を導入し、ワッサーシュタイン分布のロバストな値関数を下限とすることを示す。 強化学習における$textitexternalな不確実性に対処するための実用的なツールとして正規化を使用することを提案する。
  論文  参考訳（メタデータ） (2020-03-05T19:56:23Z)

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。