Learning the Efficient Frontier

要約

効率的フロンティア (EF) は、与えられたレベルのリスクで報酬を最大化する最適なポートフォリオを見つける必要がある基本的なリソース割り当て問題です。
この最適解は伝統的に、凸最適化問題を解くことによって見つけられます。
この論文では、異種線形制約と可変数の最適化入力に関して EF 凸最適化問題の結果をロバストに予測する高速ニューラル近似フレームワークである NeuralEF を紹介します。
最適化問題をシーケンス間問題として再定式化することで、NeuralEF が不連続な動作を処理しながら大規模シミュレーションを高速化する実行可能なソリューションであることを示します。

要約(オリジナル)

The efficient frontier (EF) is a fundamental resource allocation problem where one has to find an optimal portfolio maximizing a reward at a given level of risk. This optimal solution is traditionally found by solving a convex optimization problem. In this paper, we introduce NeuralEF: a fast neural approximation framework that robustly forecasts the result of the EF convex optimization problem with respect to heterogeneous linear constraints and variable number of optimization inputs. By reformulating an optimization problem as a sequence to sequence problem, we show that NeuralEF is a viable solution to accelerate large-scale simulation while handling discontinuous behavior.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google