ポートフォリオ構築のための深層ニューラルネットワークを用いたリターンとリスクの共同モデリング

要旨：ポートフォリオの構築は伝統的に、歴史的統計を用いて期待リターンと共分散行列を別々に推定することに依存しており、時間変化する市場条件の下でしばしば最適でない配分につながる。本論文は、ディープニューラルネットワークに基づくリターンとリスクの統合モデリングフレームワークを提案し、逐次的な金融データから動的な期待リターンとリスク構造をエンドツーエンドで学習できるようにする。2010年から2024年にかけての10銘柄の米国大型株の日次データを用いて、提案モデルはリターン予測、リスク推定、およびポートフォリオレベルのパフォーマンスの観点で評価される。2020年から2024年のアウトオブサンプル結果は、深層予測モデルが競争力のある予測精度（RMSE = 0.0264）と経済的に意味のある方向性の正確さ（51.9%）を達成することを示している。さらに重要なことに、学習された表現は、ボラティリティのクラスタリングと局面変化を効果的に捉える。ポートフォリオ最適化へ統合すると、提案されたニューラル・ポートフォリオ戦略は年率36.4%のリターンとシャープ比0.91を達成し、等重配分および歴史的平均-分散ベンチマークをリスク調整後のパフォーマンスの観点で上回る。これらの結果は、リターンと共分散ダイナミクスを共同でモデリングすることが、従来の配分手法に比べて一貫した改善をもたらすことを示している。このフレームワークは、非定常な市場条件下でのデータ駆動型ポートフォリオ構築に対する、拡張性が高く実用的な代替手段を提供する。