[論文レビュー] State of the Art Review for Applying Computational Intelligence and Machine Learning Techniques to Portfolio Optimisation

Evan Hurwitz, Tshilidzi Marwala|ArXiv.org|Oct 13, 2009

Risk and Portfolio Optimization参考文献 33被引用数 4

ひとこと要約

本稿は、ポートフォリオ最適化における計算知能および機械学習手法のレビューであり、ニューラルネットワーク、遺伝的アルゴリズム、サポートベクターマシンなどの手法を評価している。これらのアプローチの主な強みと限界を特定し、金融ポートフォリオ管理の改善に向けた今後の研究方向性を提案している。

ABSTRACT

Computational techniques have shown much promise in the field of Finance, owing to their ability to extract sense out of dauntingly complex systems. This paper reviews the most promising of these techniques, from traditional computational intelligence methods to their machine learning siblings, with particular view to their application in optimising the management of a portfolio of financial instruments. The current state of the art is assessed, and prospective further work is assessed and recommended

研究の動機と目的

• 計算知能および機械学習が金融ポートフォリオ最適化に与える現在の状況を評価すること。
• 非線形で非ガウス分布の金融データを扱う上で、計算知能および機械学習手法の中で最も効果的な手法を特定すること。
• 実際のポートフォリオ管理のシナリオにおいて、既存の手法のパフォーマンスと限界を評価すること。
• AI技術を用いたポートフォリオ最適化に応用するための今後の研究に関する提言を提供すること。

提案手法

• ポートフォリオ最適化に応用された計算知能および機械学習手法の体系的レビュー。
• ニューラルネットワーク、遺伝的アルゴリズム、ファジィ論理システムなどの伝統的ないくつかの手法の分析。
• サポートベクターマシンや強化学習を含む現代の機械学習アプローチの評価。
• リスク調整利益を最適化する際の、異なるアルゴリズム間でのパフォーマンス指標の比較。
• 計算ファイナンス分野における実証的研究および理論的枠組みに基づく発見の統合。
• 現在の研究におけるギャップおよび実際の実装におけるメソドロジカルな課題の特定。

実験結果

リサーチクエスチョン

• RQ1 どの計算知能および機械学習手法が、金融ポートフォリオの最適化において最も効果的か？
• RQ2 これらの手法は、マークォイズの平均・分散モデルのような古典的ポートフォリオ最適化モデルと比べて、実際にはどのように異なるか？
• RQ3 AIベースの手法を実際の金融データに適用する際の主な限界と課題は何か？
• RQ4 ポートフォリオ最適化アルゴリズムを評価する際に最も適切なパフォーマンス指標は何か？
• RQ5 AI駆動のポートフォリオ管理を進歩させるために、今後の研究で最も有望な方向性は何か？

主な発見

• 機械学習および計算知能手法は、ポートフォリオのリスク調整リターンを改善する上で強く有望な可能性を示している。
• ニューラルネットワークおよび遺伝的アルゴリズムは、非線形的かつ非ガウス分布の金融データを扱う上で、従来のモデルを上回る性能を発揮する。
• サポートベクターマシンは、高次元かつノイズの多い金融データセットにおいても頑健なパフォーマンスを示す。
• 複数の手法を組み合わせたハイブリッドモデルは、単一手法のアプローチよりも優れた結果をもたらすことが多い。
• 理論的な可能性は強くても、実際の実装にはデータ品質、過学習、モデルの解釈可能性に関する課題が伴う。
• 今後の研究は、適応的学習、リアルタイム最適化、行動ファイナンスモデルとの統合に焦点を当てるべきである。