Adaptive Multi-task Learning for Multi-sector Portfolio Optimization

arXiv:2507.16433v2 Announce Type: replace-cross Abstract: 多セクターポートフォリオ最適化において、多数の異なるクラスの資産を扱う場合、複数のセクター間で正確に情報を転移させ、モデル推定を向上させることは非常に重要であり、同時に挑戦的な課題です。ファクターモデリングの枠組みにおいて、我々は複数の対象セクターを跨ぐ主要な時間的サブ空間（ファクターによって生成される空間）間の相関関係を量化し、学習するための新たなデータ適応型マルチタスク学習手法を提案します。このアプローチは、複数のファクターモデルの同時推定を改善するとともに、これらのファクターモデルの正確な復元に強く依存する多セクターポートフォリオ最適化を強化します。さらに、マルチタスク学習手順を実現するための新規かつ実装しやすいアルゴリズム、すなわちプロジェクションペナライズド主成分解析を開発しました。多様なシミュレーション設計、およびルーザー3000指数の日次リターンデータの実践的応用は、マルチタスク学習手法の優位性を示しています。

arXiv:2507.16433v2 Announce Type: replace-cross Abstract: Accurate transfer of information across multiple sectors to enhance model estimation is both significant and challenging in multi-sector portfolio optimization involving a large number of assets in different classes. Within the framework of factor modeling, we propose a novel data-adaptive multi-task learning methodology that quantifies and learns the relatedness among the principal temporal subspaces (spanned by factors) across multiple sectors under study. This approach not only improves the simultaneous estimation of multiple factor models but also enhances multi-sector portfolio optimization, which heavily depends on the accurate recovery of these factor models. Additionally, a novel and easy-to-implement algorithm, termed projection-penalized principal component analysis, is developed to accomplish the multi-task learning procedure. Diverse simulation designs and practical application on daily return data from Russell 3000 index demonstrate the advantages of multi-task learning methodology.