WaveCorr: Correlation-savvy Deep Reinforcement Learning for Portfolio\n Management
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,000 |
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 découle