論文の概要: Residual Learning in Empirical Asset Pricing

• arxiv url: http://arxiv.org/abs/2610.09613v1
• Date: Wed, 07 Oct 2026 07:55:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.78818
• Title: Residual Learning in Empirical Asset Pricing
• Title（参考訳）: 経験的資産価格の残留学習
• Abstract要約: 残留学習により、ニューラルネットワークモデルは、浅いものを保存し、精製することで、資産価格のモデルをさらに深めることができる。 モデル深度は、資産価格の付加的な経済価値の源であることを示す。
• 参考スコア（独自算出の注目度）: 4.085447152034923
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Shallow models are special cases of deep models, and deep models theoretically have the potential to outperform the shallow ones. However, the existing empirical asset pricing literature provides strong benchmarks for shallow models. Residual learning allows neural network models in asset pricing to go deeper by preserving and refining their shallow counterparts. The out-of-sample Sharpe ratio for value-weighted long-short portfolios of deep residual models (2.07) is higher than that for the corresponding shallow ones (1.92) and more than twice that of the deep feedforward models (0.89). We show that model depth is a source of additional economic value in asset pricing. Residual learning can be used to deepen other neural-network-based asset pricing models if they contain intermediate layers. Our design also provides one way to scale asset pricing models, making native "large asset pricing models" more feasible.
• Abstract（参考訳）: 浅度モデルは深度モデルの特別な場合であり、深度モデルは理論的には浅度モデルよりも優れている可能性がある。 しかし、既存の経験的資産価格の文献は、浅いモデルに対する強力なベンチマークを提供する。 残留学習により、ニューラルネットワークモデルは、浅いものを保存し、精製することで、資産価格のモデルをさらに深めることができる。 奥行きモデル (2.07) の値重み付き長短ポートフォリオのサンプル外シャープ比は、対応する浅瀬モデル (1.92) よりも高く、奥行きモデル (0.89) の2倍以上である。 モデル深度は、資産価格の付加的な経済価値の源であることを示す。 残留学習は、中間層を含む場合、他のニューラルネットワークベースのアセット価格モデルを強化するために使用することができる。 私たちのデザインは、資産価格モデルをスケールする1つの方法を提供し、ネイティブの“大規模な資産価格モデル”をより実現可能にします。

関連論文リスト

• Nemotron Elastic: Towards Efficient Many-in-One Reasoning LLMs [80.72350166388601]
  Nemotron Elasticは推論指向のLLMを構築するためのフレームワークである。 ネストしたサブモデルを単一の親モデルに組み込む。 これらのサブモデルはそれぞれ、親モデルと重みを共有し、デプロイ中にゼロショットを抽出できる。
  論文  参考訳（メタデータ） (2025-11-20T18:59:21Z)
• KAN based Autoencoders for Factor Models [13.512750745176664]
  Kolmogorov-Arnold Networks (KANs) の最近の進歩に触発されて、潜在因子条件付き資産価格モデルに新しいアプローチを導入する。 提案手法では,精度と解釈性の両方でモデルを超えるkanベースのオートエンコーダを提案する。 提案モデルは,資産特性の非線形機能として露出を近似する際の柔軟性を向上するとともに,潜在要因を解釈するための直感的なフレームワークをユーザに提供する。
  論文  参考訳（メタデータ） (2024-08-04T02:02:09Z)
• RewardBench: Evaluating Reward Models for Language Modeling [100.28366840977966]
  本稿では,報酬モデル評価のためのベンチマークデータセットとコードベースであるRewardBenchを紹介する。 データセットは、チャット、推論、安全性にまたがる、プロンプト・チョーゼン・リジェクトされたトリオのコレクションである。 RewardBenchのリーダーボードでは、様々な方法で訓練された報酬モデルを評価する。
  論文  参考訳（メタデータ） (2024-03-20T17:49:54Z)
• Modeling Choice via Self-Attention [8.394221523847325]
  注意に基づく選択モデルはHalo Multinomial Logit(Halo-MNL)モデルの低最適一般化であることを示す。 また、実データから選択を推定するための最初の現実的な尺度を確立し、既存のモデルの評価を行う。
  論文  参考訳（メタデータ） (2023-11-11T11:13:07Z)
• Adversarial Deep Hedging: Learning to Hedge without Price Process Modeling [4.656182369206814]
  本稿では,敵対的学習にインスパイアされた,敵対的深層ヘッジと呼ばれる新しい枠組みを提案する。 この枠組みでは、基礎となる資産プロセスと基盤となる資産プロセスをそれぞれモデル化するヘッジラーとジェネレータを対角的に訓練する。
  論文  参考訳（メタデータ） (2023-07-25T03:09:32Z)
• Deep Reinforcement Learning for Asset Allocation: Reward Clipping [4.882319198853359]
  本稿では,各モデルのキャラクタを分析して,リワードクリッピングモデル(Reward clipping model)と呼ばれる高度なアルゴリズムを導入する。 Reward Clippingモデルは金融分野の既存のモデル、特にポートフォリオ最適化よりも優れているようだ。
  論文  参考訳（メタデータ） (2023-01-02T03:54:43Z)
• Part-Based Models Improve Adversarial Robustness [57.699029966800644]
  人間の事前知識とエンドツーエンドの学習を組み合わせることで、ディープニューラルネットワークの堅牢性を向上させることができることを示す。 我々のモデルは、部分分割モデルと小さな分類器を組み合わせて、オブジェクトを同時に部品に分割するようにエンドツーエンドに訓練されている。 実験の結果,これらのモデルによりテクスチャバイアスが低減され,一般的な汚職に対する堅牢性が向上し,相関が急上昇することが示唆された。
  論文  参考訳（メタデータ） (2022-09-15T15:41:47Z)
• Exploring Sparse Expert Models and Beyond [51.90860155810848]
  Mixture-of-Experts (MoE) モデルは、無数のパラメータを持つが、一定の計算コストで有望な結果が得られる。 本稿では,専門家を異なるプロトタイプに分割し,上位1ドルのルーティングに$k$を適用する,エキスパートプロトタイピングというシンプルな手法を提案する。 この戦略は, モデル品質を向上させるが, 一定の計算コストを維持するとともに, 大規模モデルのさらなる探索により, 大規模モデルの訓練に有効であることが示唆された。
  論文  参考訳（メタデータ） (2021-05-31T16:12:44Z)
• On Resource-Efficient Bayesian Network Classifiers and Deep Neural Networks [14.540226579203207]
  ベイズネットワーク(BN)分類器の複雑さを低減するための2つの方法を提案する。 まず、ストレートスルー勾配推定器を用いてBNのパラメータを数ビットに量子化する量子化学習を導入する。 第2に、モデルサイズも考慮し、最近提案された微分可能な木強化ナイーブベイズ (TAN) 構造学習手法を拡張した。
  論文  参考訳（メタデータ） (2020-10-22T14:47:55Z)
• Model Reuse with Reduced Kernel Mean Embedding Specification [70.044322798187]
  現在のアプリケーションで有用なモデルを見つけるための2段階のフレームワークを提案する。 アップロードフェーズでは、モデルがプールにアップロードされている場合、モデルの仕様としてカーネル平均埋め込み(RKME)を縮小する。 デプロイフェーズでは、RKME仕様の値に基づいて、現在のタスクと事前訓練されたモデルの関連性を測定する。
  論文  参考訳（メタデータ） (2020-01-20T15:15:07Z)

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。