一貫性ベクトルベースMSE推定アプローチを用いたポートフォリオ最適化【JST・京大機械翻訳】

Mahadi Maaz; Ballal Tarig; Moinuddin Muhammad; Al-Naffouri Tareq Y.; Al-Saggaf Ubaid

プレプリント

J-GLOBAL ID：202202209800593469 整理番号：22P0330033

一貫性ベクトルベースMSE推定アプローチを用いたポートフォリオ最適化【JST・京大機械翻訳】

Portfolio Optimization Using a Consistent Vector-Based MSE Estimation Approach

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (5件)： , , , ,
資料名：
発行年： 2022年04月12日プレプリントサーバーでの情報更新日： 2022年04月12日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

本論文は,観測と個体群次元が有界比で成長する高次元設定における大域的最小分散ポートフォリオ(GMVP)重みの最適化に関するものである。GMVP重みの最適化は,データ共分散行列推定によって高度に影響を受ける。高次元設定では,サンプル共分散行列は,データ次元よりも少ない観測があるときは,逆変換できないので,真の共分散行列の適切な推定器ではないことはよく知られている。より多くの観察でも,サンプル共分散マトリックスはよく調整されない。本論文では,前述の困難を克服するため正則化共分散行列推定器に基づくGMVP重みを決定した。他の方法とは異なり,正則化パラメータの適切な選択は,データ平均推定の不確実性を説明する雑音ベクトルの推定の平均二乗誤差を最小化することにより達成される。ランダム行列理論ツールを用いて,簡単な線探索を用いて最適正則化パラメータを見つけることができる達成可能な平均二乗誤差の一貫した推定器を導いた。シミュレーション結果は,データ次元がデータサンプル数または同じ次数より大きいとき,提案した方法の有効性を実証した。【JST・京大機械翻訳】

, , , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

信号理論

, ,

前のページに戻る