論文の概要: Cost-Sensitive Online Window Size Selection for Portfolio Management
- arxiv url: http://arxiv.org/abs/2609.29887v2
- Date: Mon, 28 Sep 2026 03:07:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-29 21:31:51.803888
- Title: Cost-Sensitive Online Window Size Selection for Portfolio Management
- Title（参考訳）: ポートフォリオ管理のためのコスト知覚型オンラインウィンドウサイズ選択
- Abstract要約: 候補ウィンドウサイズを用いてポートフォリオを構築し,オンライン学習を通じて動的に集約するフレームワークを提案する。
我々は, 特別の場合として, ターンオーバー後悔の原因となる有限ホライゾンコスト感性トラッキング-レグレット境界を導出する。
- 参考スコア（独自算出の注目度）: 2.3275369989775396
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper investigates cost-sensitive online window size selection for portfolio management under changing market conditions. Specifically, we propose a two-level framework that constructs portfolios using candidate window sizes and dynamically aggregates them through online learning. By treating candidate window sizes as ``experts,'' we dynamically update their aggregation weights using turnover-inclusive losses. Moreover, we derive finite-horizon cost-sensitive tracking-regret bounds that account for turnover of the aggregated portfolio, with static regret as a special case. Under bounded losses and cost rates, suitably tuned Fixed Share achieves asymptotically no tracking regret for sublinear switching budgets, with Hedge covering the static case.
- Abstract（参考訳）: 本稿では,市場環境の変化に伴うポートフォリオ管理のためのコスト依存型オンラインウィンドウサイズ選択について検討する。
具体的には、候補ウィンドウサイズを用いてポートフォリオを構築し、オンライン学習を通じて動的に集約する2段階のフレームワークを提案する。
候補のウィンドウサイズを '`experts' として扱うことで、ターンオーバーインクルーシブな損失を使って、アグリゲーションの重みを動的に更新する。
さらに, 有限ホライズンコストに敏感なトラッキング-レグレット境界を導出し, スタティック・後悔を特別な事例とする。
制限付き損失とコスト率の下では、修正済みのFixed Shareは、静的ケースをカバーするHedgeとともに、サブ線形切替予算に対する追従後悔を漸近的に達成する。
関連論文リスト
- 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) - Guardrailed Elasticity Pricing: A Churn-Aware Forecasting Playbook for Subscription Strategy [0.0]
本稿では,サブスクリプション価格を動的に保護された意思決定システムとして運用するマーケティング分析フレームワークを提案する。
季節ごとの時系列モデルをツリーベースの学習者とブレンドし、モンテカルロシナリオテストを実行してリスクエンベロープをマップし、制約付き最適化を解決する。
このフレームワークは,フラットな価格からダイナミックな価格への移行時期,CLVやMRRターゲットとの価格調整方法,倫理的ガードレールの組み込み方法など,戦略プレイブックとして機能する。
論文 参考訳（メタデータ） (2025-12-24T04:25:31Z) - A Primal-Dual Online Learning Approach for Dynamic Pricing of Sequentially Displayed Complementary Items under Sale Constraints [54.46126953873298]
顧客に対して順次表示される補完アイテムの動的価格設定の問題に対処する。
各項目の価格を個別に最適化するのは効果がないため、補完項目のコヒーレントな価格ポリシーが不可欠である。
実世界のデータからランダムに生成した合成設定を用いて,我々のアプローチを実証的に評価し,制約違反や後悔の観点からその性能を比較した。
論文 参考訳（メタデータ） (2024-07-08T09:55:31Z) - Sparse Index Tracking: Simultaneous Asset Selection and Capital Allocation via $\ell_0$-Constrained Portfolio [7.5684339230894135]
スパースポートフォリオは、取引コストの削減と不正資産の回避の観点から、完全なポートフォリオよりも好ましい。
本稿では,$ell_p$-norm制約を用いたスパースインデックストラッキングの新しい問題式を提案する。
当社のアプローチでは、ポートフォリオとターンオーバースペースの制約を選択でき、再バランス間隔毎にアセット更新を制限することで、トランザクションコストをさらに削減します。
論文 参考訳（メタデータ） (2023-07-22T04:47:30Z) - Structured Dynamic Pricing: Optimal Regret in a Global Shrinkage Model [50.06663781566795]
消費者の嗜好と価格感が時間とともに変化する動的モデルを考える。
我々は,モデルパラメータの順序を事前に把握している透視者と比較して,収益損失が予想される,後悔による動的価格政策の性能を計測する。
提案した政策の最適性を示すだけでなく,政策立案のためには,利用可能な構造情報を組み込むことが不可欠であることを示す。
論文 参考訳（メタデータ） (2023-03-28T00:23:23Z) - Online Nonsubmodular Minimization with Delayed Costs: From Full
Information to Bandit Feedback [98.7678704343537]
我々は,オンラインおよび近似的オンライン帯域勾配勾配アルゴリズムのいくつかの変種に対する後悔の保証を,特別な構造を持つ非部分モジュラ関数のクラスに焦点をあてる。
我々は,決定の選択と帰属費用の受け取りの遅れが無拘束である場合でも,エージェントの完全な情報と盗賊のフィードバック設定に対する後悔の限界を導出する。
論文 参考訳（メタデータ） (2022-05-15T08:27:12Z) - Smoothed Online Convex Optimization Based on Discounted-Normal-Predictor [68.17855675511602]
円滑なオンライン凸最適化(SOCO)のためのオンライン予測戦略について検討する。
提案アルゴリズムは,各区間の切替コストで適応的後悔を最小限に抑えることができることを示す。
論文 参考訳（メタデータ） (2022-05-02T08:48:22Z) - Non-stationary Online Learning with Memory and Non-stochastic Control [71.14503310914799]
我々は,過去の決定に依拠する損失関数を許容するメモリを用いたオンライン凸最適化(OCO)の問題について検討する。
本稿では,非定常環境に対してロバストなアルゴリズムを設計するための性能指標として,動的ポリシーの後悔を紹介する。
我々は,時間的地平線,非定常度,メモリ長といった面で,最適な動的ポリシーの後悔を確実に享受するメモリ付きOCOの新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-02-07T09:45:15Z)
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。