深層強化学習と平均分散戦略を使用して、責任あるポートフォリオ最適化を研究しました。
ポートフォリオ最適化タスクにおける配分制約を効果的に扱うため、制約付きアクション空間をいくつかの無制約なサブアクション空間に分解する新しいアプローチを提案する。
ポートフォリオ最適化は実践において多くの課題に直面するが、2段階のアプローチを提案することで、これらの課題に効果的に対処できる。
本稿では、グラフニューラルネットワーク(GNN)を用いた取引コスト予測と、ダイクストラ法を用いたコスト効率の高いリバランスパスの特定を組み合わせることで、ポートフォリオリバランスを最適化する新しいアプローチを紹介しています。
本稿では、確率的ポートフォリオ理論において、過去の市場情報を利用した新しいポートフォリオ構築法として「シグネチャー・ポートフォリオ」を提案し、その優れた汎用性と計算上の利点を実証している。
本稿では、収益率が正規平均分散混合(NMVM)分布、特に双曲線分布に従うと仮定し、広範な凹関数型効用関数に対して、期待効用を最大化するポートフォリオ選択問題を分析します。その結果、これらの条件下では、投資家はリスク資産の同一ポートフォリオを保有し、リスク資産と無リスク資産の比率を自身の初期資産と効用関数に基づいて調整するという、二ファンド分離定理が成り立つことを示します。
量子コンピューティングに触発された最適化手法を用いることで、従来の手法よりも効率的かつ効果的にポートフォリオ最適化問題を解決できる可能性がある。
本稿では、(再)保険会社が資本要件を満たしながら収益性を最大化するための実用的なポートフォリオ最適化手法として、CVaR制約下におけるサンプル平均近似(SAA)法の有効性を示している。
投資ポートフォリオ選択における効率的フロンティア、平均分散最適化、および遺伝的アルゴリズムの使用を含む、Markowitzモデルとその実用的な実装を探求する。
ランダムなデフォルト時間がある場合の最適なポートフォリオ委任問題を、プリンシパル・エージェント問題の枠組みを用いて分析し、デフォルト時間の制約を受けるエージェントの最適投資戦略と、プリンシパルの最適な報酬設計を、後退確率微分方程式とハミルトン・ヤコビ・ベルマン方程式を用いて導出する。