論文の概要: PanelGP: A Probabilistic Factor Model for Asset-Return Panels

• arxiv url: http://arxiv.org/abs/2611.04040v1
• Date: Mon, 02 Nov 2026 22:35:34 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:56:05.626675
• Title: PanelGP: A Probabilistic Factor Model for Asset-Return Panels
• Title（参考訳）: PanelGP:アセット・リターンパネルの確率的因子モデル
• Abstract要約: パネルGP(PanelGP)は、大口径のストックリターンパネルの条件因子モデルである。 カーネル選択ネスは、主成分分析(IPCA)と滑らかな非線形写像を計測した。 1995-2024年におけるS&P 500の構成員にとって、非線形荷重はアフィン負荷よりも格付けが良い。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: We develop PanelGP, a conditional factor model for large panels of stock returns in which firm characteristics determine the factor loadings and economic conditions determine the expected factors. Both relations are estimated nonparametrically with Gaussian-process priors. The kernel choice nests instrumented principal component analysis (IPCA) as well as smooth nonlinear maps. Asset-specific loading innovations and common factor innovations separate idiosyncratic from systematic risk, so one estimated model forecasts both expected returns and their covariance matrix. Estimation uses sparse variational inference with a joint posterior over loadings and factors. Because each predicted return is bilinear in a Gaussian state, the predictive covariance matrix and the cumulants of any portfolio have closed forms. In simulations, the estimator recovers the nonlinear maps and the variance parameters. For S&P 500 constituents over 1995-2024, nonlinear loadings rank stocks better than affine loadings and improve the Gaussian log score. Relative to IPCA, the resulting portfolios have higher Sharpe ratios, also net of trading costs, and the minimum-variance portfolio has lower volatility. The predicted variances rank stocks and months by risk but are too compressed.
• Abstract（参考訳）: パネルGP(PanelGP) は, 強固な特性で因子負荷が決定され, 経済的な条件で予測される因子が決定される大パネルの条件因子モデルである。 どちらの関係もガウス過程と非パラメトリックに推定される。 カーネル選択ネスは、主成分分析(IPCA)と滑らかな非線形写像を計測した。 アセット固有のローディングの革新と共通因子の革新は、イディオシントラティックを系統的なリスクから分離するので、予測されたモデルの一つは、期待されるリターンと共分散行列の両方を予測する。 推定には, 後部荷重と因子を併用したスパース変分推定を用いる。 予測された各戻りはガウス状態において双線型であるため、予測共分散行列と任意のポートフォリオの累積は閉形式を持つ。 シミュレーションでは、推定器は非線形写像と分散パラメータを復元する。 1995-2024年におけるS&P 500の構成員にとって、非線形負荷はアフィン負荷よりも格付けが優れ、ガウスログスコアが向上した。 IPCAとは対照的に、結果として得られるポートフォリオはシャープ比が高く、トレーディングコストも高く、最小分散ポートフォリオはボラティリティが低い。 予想される変動は株価と数カ月のリスクをランク付けするが、過度に圧縮されている。

関連論文リスト

• End-to-End Neural Shrinkage of Indefinite Pairwise Correlation Matrices for Small-Cap-Inclusive Portfolios [0.0]
  少額のインクルーシブ・エクイティ・ユニバース(英語版)は、最近上場および断続的に取引された証券を含んでいるため、共通の見返りは利用可能な情報のかなりの部分を捨てる。 この設定に回転不変なニューラル共分散推定器を適用する。 我々は2000年から2025年までの26種類の拡大ウィンドウモデルを、ポイント・イン・タイム・セレクション、手数料、ファイナンス、コーポレート・アクション、市場インパクトを備えたクローズ・オークション・シミュレーターで、1500米国株に対して評価した。
  論文  参考訳（メタデータ） (2026-08-31T08:36:09Z)
• Enhancing a Risk Model by Adding Transient Statistical Factors [90.40844650665713]
  資産収益の推定は、金融ポートフォリオの構築と評価の鍵となる要素である。 既存の因子モデルを強化するために,最大推定値に基づく体系的手法を提案する。 提案した拡張は,元のモデルに欠落したリターンの構造をキャプチャすることを示す。
  論文  参考訳（メタデータ） (2026-05-13T04:15:24Z)
• 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)
• Multivariate root-n-consistent smoothing parameter free matching estimators and estimators of inverse density weighted expectations [51.000851088730684]
  我々は、パラメトリックな$sqrt n $-rateで収束する、最も近い隣人の新しい修正とマッチング推定器を開発する。 我々は,非パラメトリック関数推定器は含まないこと,特に標本サイズ依存パラメータの平滑化には依存していないことを強調する。
  論文  参考訳（メタデータ） (2024-07-11T13:28:34Z)
• 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)
• Forecasting Large Realized Covariance Matrices: The Benefits of Factor Models and Shrinkage [1.0323063834827415]
  我々は、標準のファームレベル因子を用いてリターン共分散行列を分解し、残差共分散行列のセクシャル制限を用いる。 提案手法は,標準ベンチマークと比較して精度が向上し,最小分散ポートフォリオの推定精度が向上する。
  論文  参考訳（メタデータ） (2023-03-22T16:38:22Z)
• Empirical Asset Pricing via Ensemble Gaussian Process Regression [4.281723404774889]
  我々のアンサンブル学習アプローチは、GPR推論に固有の計算複雑性を著しく減少させる。 本手法は,統計的,経済的に既存の機械学習モデルを支配している。 これは不確実な投資家にアピールし、S&P500を上回る等級と重み付けの予測対象ポートフォリオを圧倒的に上回っている。
  論文  参考訳（メタデータ） (2022-12-02T09:37:29Z)
• Monotonicity and Double Descent in Uncertainty Estimation with Gaussian Processes [52.92110730286403]
  限界確率はクロスバリデーションの指標を思い起こさせるべきであり、どちらもより大きな入力次元で劣化すべきである、と一般的に信じられている。 我々は,ハイパーパラメータをチューニングすることにより,入力次元と単調に改善できることを証明した。 また、クロスバリデーションの指標は、二重降下の特徴である質的に異なる挙動を示すことも証明した。
  論文  参考訳（メタデータ） (2022-10-14T08:09:33Z)
• Deep Learning Based Residuals in Non-linear Factor Models: Precision Matrix Estimation of Returns with Low Signal-to-Noise Ratio [0.0]
  本稿では,大規模なポートフォリオにおける資産返却の精度行列に対する一貫した推定器と収束率を紹介する。 金融市場に典型的な低信号対雑音比環境においても, 評価は引き続き有効である。
  論文  参考訳（メタデータ） (2022-09-09T20:29:54Z)

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。