全部版块 我的主页
论坛 经济学人 二区 外文文献专区
675 11
2022-06-01
英文标题:
《Active Preference Learning for Personalized Portfolio Construction》
---
作者:
Kevin Tee, Michael McCourt, Ruben Martinez-Cantin, Ian Dewancker,
  Frank Liu
---
最新提交年份:
2017
---
英文摘要:
  In financial asset management, choosing a portfolio requires balancing returns, risk, exposure, liquidity, volatility and other factors. These concerns are difficult to compare explicitly, with many asset managers using an intuitive or implicit sense of their interaction. We propose a mechanism for learning someone\'s sense of distinctness between portfolios with the goal of being able to identify portfolios which are predicted to perform well but are distinct from the perspective of the user. This identification occurs, e.g., in the context of Bayesian optimization of a backtested performance metric. Numerical experiments are presented which show the impact of personal beliefs in informing the development of a diverse and high-performing portfolio.
---
中文摘要:
在金融资产管理中,选择投资组合需要平衡收益、风险、敞口、流动性、波动性和其他因素。这些担忧很难进行明确的比较,因为许多资产管理人对他们的互动有着直观或隐含的感觉。我们提出了一种学习某人在投资组合之间的区分感的机制,目的是能够识别出预期表现良好但与用户角度不同的投资组合。例如,在对回溯测试的性能指标进行贝叶斯优化的情况下,就会出现这种识别。数值实验显示了个人信念对多样化和高绩效投资组合发展的影响。
---
分类信息:

一级分类:Computer Science        计算机科学
二级分类:Computational Engineering, Finance, and Science        计算工程、金融和科学
分类描述:Covers applications of computer science to the mathematical modeling of complex systems in the fields of science, engineering, and finance. Papers here are interdisciplinary and applications-oriented, focusing on techniques and tools that enable challenging computational simulations to be performed, for which the use of supercomputers or distributed computing platforms is often required. Includes material in ACM Subject Classes J.2, J.3, and J.4 (economics).
涵盖了计算机科学在科学、工程和金融领域复杂系统的数学建模中的应用。这里的论文是跨学科和面向应用的,集中在技术和工具,使挑战性的计算模拟能够执行,其中往往需要使用超级计算机或分布式计算平台。包括ACM学科课程J.2、J.3和J.4(经济学)中的材料。
--
一级分类:Quantitative Finance        数量金融学
二级分类:Portfolio Management        项目组合管理
分类描述:Security selection and optimization, capital allocation, investment strategies and performance measurement
证券选择与优化、资本配置、投资策略与绩效评价
--

---
PDF下载:
-->
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

全部回复
2022-6-1 06:46:26
个性化投资组合构建的主动偏好学习Kevin Teemail McCourtuben Martinez-Cantin1 2 ian DewanckerFrank Liu Abstractin金融资产管理,选择投资组合需要平衡回报、风险、敞口、流动性、波动性和其他因素。这些担忧很难与许多资产管理人使用直观或隐含的互动意识进行明确比较。我们提出了一种机制来学习某人对投资组合之间的区分感,目的是能够识别出那些被预测表现良好但与用户角度不同的投资组合。例如,在对一个回溯测试的性能指标进行贝叶斯优化的情况下,就会出现这种识别。数值实验显示了个人信念对多样化和高绩效投资组合发展的影响。1、简介优化决策的许多问题都属于非线性优化的范畴,其目标是找到函数f的最大值:Ohm → 某个域上的ROhm  Rs,xopt=arg maxx∈Ohmf(x)。(1) 在这种情况下,最优决策会产生一个valuexopt。然而,许多应用程序(如财务管理)可能会受益于发现多个x*高f(x)位置*) 在某种意义上,价值观之间也有足够的差异,以便构建多元化的投资组合。寻找多个不同的最优决策带来了新的挑战。首先,我们必须确定x选择之间的区别。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-6-1 06:46:29
在这项工作中,通过向财务专家查询加利福尼亚州旧金山的拟议SIGOPT、美国国防大学中心(USACentro Universitario de la Defensa)、萨拉戈萨(Zaragoza)、加利福尼亚州旧金山的SpainUber Technologies、加拿大安大略省滑铁卢(Waterloo)的美国滑铁卢大学(USAUniversity of Waterloo),可以直接从用户那里了解到感知拟议投资组合之间相对差异的能力。收件人:Kevin Tee<kevin@sigopt.com>.《人在环机器学习研讨会论文集》,国际机器学习会议,澳大利亚悉尼,2017年。作者版权所有2017。x与xopt相比,xopt本身可以通过标准黑盒优化找到。因此,最优决策问题可以被视为识别一组补充的金融投资组合{xe1,…,xem}的问题,该组合平衡了高价值与xopt的不同程度。用户可以从这些选项中进行选择,以补充最终投资组合中的xoptin(因此,这些选项不需要是局部最优值,也不需要在任何特定范围内)。寻找一个优化问题的多个解决方案之前已经被研究过了。进化算法文献中广泛探讨了多模态的概念;参见,例如,(Wong,2015)及其参考文献。在贝叶斯优化的背景下,其他作者通过寻找鲁棒性的多个局部最优解(Guenther et al.,2014;Nogueira et al.,2016)或并行化(Snoek et al.,2012;Ginsbourger et al.,2008;Nguyen et al.,2016)探索了这一想法。另一个发现不同解决方案集的有趣领域是行列式点过程(Kulesza&Taskar,2012)。沿着优化背景下交互式学习的最新进展,这项工作依赖于非线性优化的贝叶斯优化,因为它是样本有效的。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-6-1 06:46:32
对于决策和偏好学习,此示例效率直接转化为计算和用户查询方面的资源效率优化。遵循相同的范式,(Dewancker et al.,2016)提出在多尺度优化中学习用户对一组效用函数的偏好,(Brochuet al.,2008;2010)将此概念用于学习虚拟材料和烟雾模拟,(Thatte et al.,2017)将相同的方法应用于假体设计,并(Okuma et al.,2011)将其用于图像分类。最近,(Gonz\'alezet al.,2016)提出了一种基于Copeland函数的偏好学习的替代方法。2、使用偏好推断差异我们的目标是构建一个模型,如果给定组合W、x、y、z∈ Ohm, 可以估计Pr(d(w,x)>d(y,z)),(2),其中d:Ohm × Ohm → R+是用户隐含的差异感。出于实际目的,d可以被认为是个性化投资组合构建的主动偏好学习,尽管d不需要满足三角线质量(triangleinequality)。因此,使用该模型不会给出两个投资组合之间的明确距离;相反,它返回两个投资组合比其他两个投资组合更加不同的概率。这允许灵活的区分感,因为明确的形式无需事先指定。该模型相当于一个二进制分类问题。因此,我们使用logistic回归对这种概率进行建模。输入特征为w、x、y、z→|w- x | | y- z|, | w的串联- x |和| y- z |,其中| u |是向量u的元素绝对值。输入:n个迭代次数,m个要排序的元素数量,αo运行标准贝叶斯优化n次迭代以找到xopt–在每次迭代中,观察EI最高的点o初始化分类器o运行并行贝叶斯优化n次迭代1。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-6-1 06:46:36
在每个步骤中,选择EI2最高的m个点{x…xm}。查询用户排名d(xopt,xi)为1≤ 我≤ m3、观察f(xi)中xi在步骤24中排名最明显。如果需要,从排名和xopt中更新分类使用所学的classi-erAlgorithm 1:自适应偏好学习和基于贝叶斯优化的投资组合构建,返回α-明显有效的投资组合。3、贝叶斯优化主动偏好抽样算法1给出了该算法。正如前面所讨论的,在没有用户任何输入的情况下确定xoptis:它只是投资组合性能函数f的全局最大值。为了找到优化问题的补充不同的“解决方案”,我们利用用户的差异感来通知在Bayesianoptimization循环中做出的决策。首先,我们执行一个标准的贝叶斯优化循环,在每次迭代中,通过最大化预期改进(EI)函数选择一个新的建议XS(Joneset al.,1998)。在对xopt进行初始优化之后,我们将重点放在学习/利用显著性的问题上。在这种情况下,我们继续进行贝叶斯优化,但使用常量说谎者机制并行生成m个解决方案(Ginsbourger et al.,2008)。在这个补充搜索过程中,下一个建议XS被定义为用户选择的最独特的文件夹。在每次迭代中,排名将转换为2m级逻辑模型的成对分类数据点。例如,如果客户回答x应该与xoptthan x区别较小,那么我们现在有了数据xopt,x,xopt,x,False,xopt,x,xopt,x,True。排名投资组合数量的选择会影响对显著性的搜索:更少的投资组合会偏向于开发,更多的投资组合会产生更多的探索。对这种影响进行更多分析将有助于提高搜索过程的效率。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-6-1 06:46:39
对于第5节中的实验,我们选择了m=5,虽然选择了一些特殊的值,但它证明了从查询中提供的数据量与auser解决该查询的困难之间的合理平衡。虽然我们定义了一种顺序算法,在该算法中,用户在每次迭代贝叶斯优化算法后都会被查询,但如果用户有可访问性约束,则用户可以在确定xOPT后立即响应批量查询,以充分准备模型以进行区分性搜索。这是“初始化分类”步骤,可以遵循类似于(Thatte et al.,2017)或(Dewancker et al.,2016)的原则。4、在搜索之后选择投资组合迄今为止,我们的流程包括确定全球最佳投资组合xopt,然后搜索补充的高绩效投资组合xe,XEM根据用户的参考(通过在之前或补充搜索期间管理的查询了解)从XOPT中获得不同程度的清晰度。为了解决基于这些补充投资组合的分类策略,我们需要解决多准则优化问题Maxx∈Ohmf(x),最大值∈Ohmd(x,xopt)。(3) 如果没有实际的d(我们只知道(2)的偏好模型),我们只能在某种程度上解决我们的有效点集(如果不减少d,f就无法得到改善)。让我们将补充搜索期间的所有建议投资组合表示为x。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

点击查看更多内容…
栏目导航
热门文章
推荐文章

说点什么

分享

扫码加好友,拉您进群
各岗位、行业、专业交流群