Using Machine Learning to Predict Optimal Parameters in Portfolio Optimization Problems
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11320%2F20%3A10432005" target="_blank" >RIV/00216208:11320/20:10432005 - isvavai.cz</a>
Výsledek na webu
—
DOI - Digital Object Identifier
—
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Using Machine Learning to Predict Optimal Parameters in Portfolio Optimization Problems
Popis výsledku v původním jazyce
We use machine learning methods in portfolio optimization problems. Most portfolio optimization problems require selection of one or more parameters and we create machine learning model to predict the optimal values of such parameter with respect to out-of-sample performance. In this paper we use mean-CVaR portfolio optimization model and xgboost machine learning model. Extensive simulations were performed to create the dataset with the optimal choice of the desired parameter. We explore the dependencies of the optimal choice of minimal in-sample mean on input data, like number of stocks or number of scenarios. Predictor importance and prediction evaluation is presented, showing that the model gives reasonable predictions for parameter that is otherwise very hard to select.
Název v anglickém jazyce
Using Machine Learning to Predict Optimal Parameters in Portfolio Optimization Problems
Popis výsledku anglicky
We use machine learning methods in portfolio optimization problems. Most portfolio optimization problems require selection of one or more parameters and we create machine learning model to predict the optimal values of such parameter with respect to out-of-sample performance. In this paper we use mean-CVaR portfolio optimization model and xgboost machine learning model. Extensive simulations were performed to create the dataset with the optimal choice of the desired parameter. We explore the dependencies of the optimal choice of minimal in-sample mean on input data, like number of stocks or number of scenarios. Predictor importance and prediction evaluation is presented, showing that the model gives reasonable predictions for parameter that is otherwise very hard to select.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
10102 - Applied mathematics
Návaznosti výsledku
Projekt
<a href="/cs/project/GX19-28231X" target="_blank" >GX19-28231X: Dynamické modely pro digitální finance</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2020
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
38TH INTERNATIONAL CONFERENCE ON MATHEMATICAL METHODS IN ECONOMICS (MME 2020)
ISBN
978-80-7509-734-7
ISSN
—
e-ISSN
—
Počet stran výsledku
7
Strana od-do
307-313
Název nakladatele
MENDEL UNIV BRNO
Místo vydání
BRNO
Místo konání akce
Brno
Datum konání akce
9. 9. 2020
Typ akce podle státní příslušnosti
EUR - Evropská akce
Kód UT WoS článku
000668460800047