Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

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