Buchumschlag

Deep Reinforcement Learning and Mean-Variance Strategies for Responsible Portfolio Optimization

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Acero, Fernando, Zehtabi, Parisa, Marchesotti, Nicolas, Cashmore, Michael, Magazzeni, Daniele, Veloso, Manuela
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Beyond Manual Planning: Seating Allocation for Large Organizations
von: Ipsen, Anton, et al.
Veröffentlicht: (2026)

Accelerating Cutting-Plane Algorithms via Reinforcement Learning Surrogates
von: Mana, Kyle, et al.
Veröffentlicht: (2023)

Temporal Fairness in Decision Making Problems
von: Torres, Manuel R., et al.
Veröffentlicht: (2024)

When Do We Need LLMs? A Diagnostic for Language-Driven Bandits
von: Berdica, Uljad, et al.
Veröffentlicht: (2026)

Surrogate Assisted Monte Carlo Tree Search in Combinatorial Optimization
von: Amiri, Saeid, et al.
Veröffentlicht: (2024)

Capacity Planning and Scheduling for Jobs with Uncertainty in Resource Usage and Duration
von: Patra, Sunandita, et al.
Veröffentlicht: (2025)

The Subset Sum Matching Problem
von: Wu, Yufei, et al.
Veröffentlicht: (2025)

Counterfactual Metarules for Local and Global Recourse
von: Bewley, Tom, et al.
Veröffentlicht: (2024)

Progressive Inference: Explaining Decoder-Only Sequence Classification Models Using Intermediate Predictions
von: Kariyappa, Sanjay, et al.
Veröffentlicht: (2024)

Deep Reinforcement Learning for Optimal Portfolio Allocation: A Comparative Study with Mean-Variance Optimization
von: Sood, Srijan, et al.
Veröffentlicht: (2026)

Contrastive Explanations of Centralized Multi-agent Optimization Solutions
von: Zehtabi, Parisa, et al.
Veröffentlicht: (2023)

Are Logistic Models Really Interpretable?
von: Dervovic, Danial, et al.
Veröffentlicht: (2024)

Return Prediction for Mean-Variance Portfolio Selection: How Decision-Focused Learning Shapes Forecasting Models
von: Lee, Junhyeong, et al.
Veröffentlicht: (2024)

Advancing Investment Frontiers: Industry-grade Deep Reinforcement Learning for Portfolio Optimization
von: Ndikum, Philip, et al.
Veröffentlicht: (2024)

Dynamic Linear Coregionalization for Realistic Synthetic Multivariate Time Series
von: Vapsi, Annita, et al.
Veröffentlicht: (2026)

Distilling Reinforcement Learning Policies for Interpretable Robot Locomotion: Gradient Boosting Machines and Symbolic Regression
von: Acero, Fernando, et al.
Veröffentlicht: (2024)

On Variance Reduction in Learning Mean Flows
von: Lu, Juanwu, et al.
Veröffentlicht: (2026)

ELATE: Evolutionary Language model for Automated Time-series Engineering
von: Murray, Andrew, et al.
Veröffentlicht: (2025)

GenePlan: Evolving Better Generalized PDDL Plans using Large Language Models
von: Murray, Andrew, et al.
Veröffentlicht: (2026)

Intelligent Execution through Plan Analysis
von: Borrajo, Daniel, et al.
Veröffentlicht: (2024)

Sample-Efficient Neurosymbolic Deep Reinforcement Learning
von: Veronese, Celeste, et al.
Veröffentlicht: (2026)

Portfolio Reinforcement Learning with Scenario-Context Rollout
von: Bendatu, Vanya Priscillia, et al.
Veröffentlicht: (2026)

Deep Reinforcement Learning for Investor-Specific Portfolio Optimization: A Volatility-Guided Asset Selection Approach
von: Orra, Arishi, et al.
Veröffentlicht: (2025)

Accelerated Portfolio Optimization and Option Pricing with Reinforcement Learning
von: Keramati, Hadi, et al.
Veröffentlicht: (2025)

Simplex Decomposition for Portfolio Allocation Constraints in Reinforcement Learning
von: Winkel, David, et al.
Veröffentlicht: (2024)

Estimating Covariance for Global Minimum Variance Portfolio: A Decision-Focused Learning Approach
von: Kim, Juchan, et al.
Veröffentlicht: (2025)

Adaptive Multi-Fidelity Reinforcement Learning for Variance Reduction in Engineering Design Optimization
von: Agrawal, Akash, et al.
Veröffentlicht: (2025)

On Computing Plans with Uniform Action Costs
von: Pozanco, Alberto, et al.
Veröffentlicht: (2024)

Rating Multi-Modal Time-Series Forecasting Models (MM-TSFM) for Robustness Through a Causal Lens
von: Lakkaraju, Kausik, et al.
Veröffentlicht: (2024)

Counterfactual Reasoning in Automated Planning
von: Pozanco, Alberto, et al.
Veröffentlicht: (2026)

Optimizing Deep Reinforcement Learning for Adaptive Robotic Arm Control
von: Shianifar, Jonaid, et al.
Veröffentlicht: (2024)

By Fair Means or Foul: Quantifying Collusion in a Market Simulation with Deep Reinforcement Learning
von: Schlechtinger, Michael, et al.
Veröffentlicht: (2024)

Robust Counterfactual Explanations for Neural Networks With Probabilistic Guarantees
von: Hamman, Faisal, et al.
Veröffentlicht: (2023)

MTS: A Deep Reinforcement Learning Portfolio Management Framework with Time-Awareness and Short-Selling
von: Gu, Fengchen, et al.
Veröffentlicht: (2025)

HARLF: Hierarchical Reinforcement Learning and Lightweight LLM-Driven Sentiment Integration for Financial Portfolio Optimization
von: Coriat, Benjamin, et al.
Veröffentlicht: (2025)

Behaviour Policy Optimization: Provably Lower Variance Return Estimates for Off-Policy Reinforcement Learning
von: Goodall, Alexander W., et al.
Veröffentlicht: (2025)

SAMP-HDRL: Segmented Allocation with Momentum-Adjusted Utility for Multi-agent Portfolio Management via Hierarchical Deep Reinforcement Learning
von: Ren, Xiaotian, et al.
Veröffentlicht: (2025)

Perspectives for Direct Interpretability in Multi-Agent Deep Reinforcement Learning
von: Poupart, Yoann, et al.
Veröffentlicht: (2025)

REFRESH: Responsible and Efficient Feature Reselection Guided by SHAP Values
von: Sharma, Shubham, et al.
Veröffentlicht: (2024)

Creating a Causally Grounded Rating Method for Assessing the Robustness of AI Models for Time-Series Forecasting
von: Lakkaraju, Kausik, et al.
Veröffentlicht: (2025)