Conformal Predictive Portfolio Selection

要約

この調査では、ポートフォリオリターンの予測モデルを使用したポートフォリオの選択を調べます。
ポートフォリオの選択は金融の基本的なタスクであり、この目標を達成するためにさまざまな方法が開発されています。
たとえば、平均分散アプローチは、アセットリターンの平均と分散の間のトレードオフのバランスをとることによりポートフォリオを構築しますが、分位ベースのアプローチは、尾のリスクを考慮することでポートフォリオを最適化します。
これらの方法は、多くの場合、予測モデルを使用して履歴データから推定された分布情報に依存しており、それぞれに独自の不確実性があります。
これに対処するために、\ emphomal {cppormal Predictive Portfolio Selection}（CPPS）と呼ばれるコンフォーマル予測を介して、予測ポートフォリオ選択のフレームワークを提案します。
当社のアプローチは、将来のポートフォリオのリターンを予測し、対応する予測間隔を計算し、これらの間隔に基づいて関心のあるポートフォリオを選択します。
このフレームワークは柔軟性があり、自己回帰（AR）モデル、ランダムフォレスト、ニューラルネットワークなど、幅広い予測モデルに対応できます。
CPPSフレームワークをARモデルに適用することにより、CPPSフレームワークの有効性を実証し、実証研究を通じてパフォーマンスを検証し、より単純な戦略と比較して優れたリターンを提供することを示します。

要約(オリジナル)

This study examines portfolio selection using predictive models for portfolio returns. Portfolio selection is a fundamental task in finance, and a variety of methods have been developed to achieve this goal. For instance, the mean-variance approach constructs portfolios by balancing the trade-off between the mean and variance of asset returns, while the quantile-based approach optimizes portfolios by considering tail risk. These methods often depend on distributional information estimated from historical data using predictive models, each of which carries its own uncertainty. To address this, we propose a framework for predictive portfolio selection via conformal prediction , called \emph{Conformal Predictive Portfolio Selection} (CPPS). Our approach forecasts future portfolio returns, computes the corresponding prediction intervals, and selects the portfolio of interest based on these intervals. The framework is flexible and can accommodate a wide range of predictive models, including autoregressive (AR) models, random forests, and neural networks. We demonstrate the effectiveness of the CPPS framework by applying it to an AR model and validate its performance through empirical studies, showing that it delivers superior returns compared to simpler strategies.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google