論文の概要: Expected Utility Regret Rule: Minimax and Bayes Optimal Portfolio Choice

• arxiv url: http://arxiv.org/abs/2610.02290v1
• Date: Thu, 01 Oct 2026 16:15:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.02857
• Title: Expected Utility Regret Rule: Minimax and Bayes Optimal Portfolio Choice
• Title（参考訳）: MinimaxとBayes Optimal Portfolio Choice
• Abstract要約: 本研究は、ポートフォリオ選択の問題について考察し、投資家が期待する富の有効性を最大化するためにポートフォリオを推奨する。 我々は、ポートフォリオクラスを共同で選択し、その重みを推定するEURルールを提案する。
• 参考スコア（独自算出の注目度）: 6.44705221140412
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This study considers the problem of portfolio choice, where we recommend a portfolio to an investor to maximize the expected utility of their wealth. Our goal is to construct an asymptotically optimal portfolio choice rule in terms of expected utility regret, the difference between the expected utility of an oracle investor and that achieved by a portfolio chosen from data. We propose the Expected Utility Regret (EUR) rule, which jointly selects a portfolio class and estimates its weights. In a regular parametric return model, a single EUR rule attains both the minimax and the Bayes lower bounds, including their leading constants, without using the prior distribution that defines the Bayes criterion. We then derive the mean--variance and risk-parity portfolios as special cases of this framework. Under smooth increasing and concave utility, the EUR rule and the sample mean--variance portfolio attain the same leading expected regret when expected excess returns approach zero sufficiently fast. When the returns divided by their volatilities have a joint distribution that does not depend on the order of the assets, the EUR rule and the risk-parity portfolio coincide.
• Abstract（参考訳）: 本研究は、ポートフォリオ選択の問題について考察し、投資家が期待する富の有効性を最大化するためにポートフォリオを推奨する。 我々のゴールは、期待されるユーティリティ後悔、オラクル投資家の期待されるユーティリティと、データから選択されたポートフォリオによって達成されるポートフォリオの相違の観点から、漸近的に最適なポートフォリオ選択ルールを構築することです。 我々は、ポートフォリオクラスを共同で選択し、その重みを推定するEURルールを提案する。 正規パラメトリック回帰モデルでは、単一のEUR規則は、ベイズ基準を定義する事前分布を用いることなく、その先行定数を含むミニマックスとベイズ下限の両方を達成する。 次に、このフレームワークの特別なケースとして、平均分散とリスクパリティポートフォリオを導出します。 EUR則とサンプル平均偏差ポートフォリオは, 過大なリターンが十分早くゼロに近づくと, 期待される最優先の後悔を達成できる。 ボラティリティによって分割されたリターンが資産の順序に依存しない共同分布を持つ場合、EURルールとリスク・パーティ・ポートフォリオは一致する。

関連論文リスト

• 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)
• Variable selection for minimum-variance portfolios [0.0]
  我々は、ファームレベル特性の大きなプールの関数として、最小分散ポートフォリオ重み付けをパラメータ化する。 MLを用いて関連する予測器を選択することで得られる利益は、かなり大きい。 ポートフォリオリスクの低減に役立つ選択された予測器のいくつかは、リターンも向上する。
  論文  参考訳（メタデータ） (2025-08-20T18:14:39Z)
• 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)
• 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)
• 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)
• 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)
• Model-Free Market Risk Hedging Using Crowding Networks [1.4786952412297811]
  群集はポートフォリオ戦略を設計する上で最も重要なリスク要因の1つだと考えられている。 本研究は,株式の集団化スコアの算出に使用されるファンド保有のネットワーク分析を用いて,株式の集団化分析を行う。 本手法は,コストのかかるオプションベースの戦略や複雑な数値最適化を必要としない,テールリスクを含むポートフォリオリスクの代替手段を提供する。
  論文  参考訳（メタデータ） (2023-06-13T19:50:03Z)
• Precise Stock Price Prediction for Robust Portfolio Design from Selected Sectors of the Indian Stock Market [0.0]
  私たちは、選択した5つのセクターすべてに対して、最小限の分散ポートフォリオと最適なリスクポートフォリオを構築しました。 最小分散ポートフォリオと等しい重量ポートフォリオを持つ最適リスクポートフォリオの比較研究は、バックテストによって行われます。
  論文  参考訳（メタデータ） (2022-01-14T17:24:19Z)

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。