WaveCorr: Correlation-savvy Deep Reinforcement Learning for Portfolio\n Management
Notice bibliographique
Résumé
The problem of portfolio management represents an important and challenging\nclass of dynamic decision making problems, where rebalancing decisions need to\nbe made over time with the consideration of many factors such as investors\npreferences, trading environments, and market conditions. In this paper, we\npresent a new portfolio policy network architecture for deep reinforcement\nlearning (DRL)that can exploit more effectively cross-asset dependency\ninformation and achieve better performance than state-of-the-art architectures.\nIn particular, we introduce a new property, referred to as \\textit{asset\npermutation invariance}, for portfolio policy networks that exploit multi-asset\ntime series data, and design the first portfolio policy network, named\nWaveCorr, that preserves this invariance property when treating asset\ncorrelation information. At the core of our design is an innovative permutation\ninvariant correlation processing layer. An extensive set of experiments are\nconducted using data from both Canadian (TSX) and American stock markets (S&P\n500), and WaveCorr consistently outperforms other architectures with an\nimpressive 3%-25% absolute improvement in terms of average annual return, and\nup to more than 200% relative improvement in average Sharpe ratio. We also\nmeasured an improvement of a factor of up to 5 in the stability of performance\nunder random choices of initial asset ordering and weights. The stability of\nthe network has been found as particularly valuable by our industrial partner.\n
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».