論文の概要: Stock Recommendations for Individual Investors: A Temporal Graph Network Approach with Diversification-Enhancing Contrastive Learning
- arxiv url: http://arxiv.org/abs/2404.07223v1
- Date: Wed, 27 Mar 2024 07:17:55 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-14 13:13:23.228137
- Title: Stock Recommendations for Individual Investors: A Temporal Graph Network Approach with Diversification-Enhancing Contrastive Learning
- Title（参考訳）: 個人投資家のためのストックレコメンデーション:多様化型コントラスト学習を用いた時間グラフネットワークアプローチ
- Authors: Youngbin Lee, Yejin Kim, Yongjae Lee,
- Abstract要約: 複雑な金融市場では、レコメンダシステムは個人に情報的な決定を強制する上で重要な役割を果たす。
有効株式推薦システムを開発するためには,1)個人の選好,2)ポートフォリオの多様化,3)株式の特徴と個人の選好の時間的側面の3つの重要な側面を考慮する必要がある。
PfoTGNRecは時間的に異なる協調的な信号を処理し、多変量化によるコントラスト学習を取り入れたポートフォリオ時間グラフネットワークレコメンデータである。
- 参考スコア（独自算出の注目度）: 30.055394983012032
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In complex financial markets, recommender systems can play a crucial role in empowering individuals to make informed decisions. Existing studies predominantly focus on price prediction, but even the most sophisticated models cannot accurately predict stock prices. Also, many studies show that most individual investors do not follow established investment theories because they have their own preferences. Hence, the tricky point in stock recommendation is that recommendations should give good investment performance but also should not ignore individual preferences. To develop effective stock recommender systems, it is essential to consider three key aspects: 1) individual preferences, 2) portfolio diversification, and 3) temporal aspect of both stock features and individual preferences. In response, we develop the portfolio temporal graph network recommender PfoTGNRec, which can handle time-varying collaborative signals and incorporates diversification-enhancing contrastive learning. As a result, our model demonstrated superior performance compared to various baselines, including cutting-edge dynamic embedding models and existing stock recommendation models, in a sense that our model exhibited good investment performance while maintaining competitive in capturing individual preferences. The source code and data are available at https://anonymous.4open.science/r/IJCAI2024-12F4.
- Abstract（参考訳）: 複雑な金融市場では、レコメンダシステムは個人に情報的な決定を強制する上で重要な役割を果たす。
既存の研究は主に価格予測に焦点を当てているが、最も洗練されたモデルでさえ株価を正確に予測することはできない。
また、多くの研究では、多くの個人投資家が独自の好みを持っているため、確立した投資理論に従わないことが示されている。
したがって、株式レコメンデーションのトリッキーな点は、レコメンデーションは優れた投資実績を与えるべきだが、個人の好みを無視するべきではないということだ。
効果的なストックレコメンデータシステムの開発には,3つの重要な側面を考慮することが不可欠である。
1)個人の嗜好
2【ポートフォリオの多様化】
3)ストックの特徴と個人の嗜好の時間的側面。
そこで本研究では,時間変動の協調的なシグナルを扱えるポートフォリオ時間グラフネットワークレコメンデータPfoTGNRecを開発し,多変量化によるコントラスト学習を取り入れた。
その結果, 最先端の動的埋め込みモデルや既存ストックレコメンデーションモデルなど, 各種ベースラインと比較して優れた性能を示し, 個人選好の獲得に競争力を維持しつつ, 優れた投資実績を示した。
ソースコードとデータはhttps://anonymous.4open.science/r/IJCAI2024-12F4で公開されている。
関連論文リスト
- Preference Diffusion for Recommendation [50.8692409346126]
DMベースのレコメンデータに適した最適化対象であるPreferDiffを提案する。
PreferDiffは、BPRをログライクなランキング目標に変換することで、ユーザの好みをよりよく把握する。
これはDMベースのレコメンデーション向けに特別に設計された、パーソナライズされたランキングの損失である。
論文 参考訳（メタデータ） (2024-10-17T01:02:04Z) - Large-scale Time-Varying Portfolio Optimisation using Graph Attention Networks [4.2056926734482065]
これはリスクの高い企業を取り入れ、ポートフォリオの最適化に全企業を使う最初の研究だ。
グラフ注意ネットワーク(GAT)を利用した新しい手法の提案と実証試験を行った。
GATは、ネットワークデータを利用して非線形関係を明らかにするディープラーニングベースのモデルである。
論文 参考訳（メタデータ） (2024-07-22T10:50:47Z) - Developing An Attention-Based Ensemble Learning Framework for Financial Portfolio Optimisation [0.0]
本稿では,アテンション機構や時系列,すなわちMASAATと統合されたマルチエージェントで自己適応的なポートフォリオ最適化フレームワークを提案する。
時系列で財務データのトークンを再構築することにより、各エージェントの注意ベースの横断分析モジュールと時間分析モジュールは、資産と時間点間の依存関係との相関を効果的に捉えることができる。
実験により、MASAATフレームワークは、よく知られたポートフォリオ最適化アプローチと比較して、印象的な拡張を実現していることが明らかとなった。
論文 参考訳（メタデータ） (2024-04-13T09:10:05Z) - EASRec: Elastic Architecture Search for Efficient Long-term Sequential
Recommender Systems [82.76483989905961]
現在のSRS(Sequential Recommender Systems)は、計算とリソースの非効率に悩まされている。
我々は、効率的な長期シーケンスレコメンダシステム(EASRec)のための弾性アーキテクチャー探索を開発する。
EASRecは、入力データバッチから履歴情報を活用するデータ認識ゲートを導入し、レコメンデーションネットワークの性能を改善する。
論文 参考訳（メタデータ） (2024-02-01T07:22:52Z) - ChatGPT-based Investment Portfolio Selection [21.24186888129542]
投資ポートフォリオの選択において、ChatGPTのような生成AIモデルの可能性を探る。
私たちはChatGPTを使って、投資に魅力的なS&P500市場指数から株式の宇宙を得ています。
以上の結果から,ChatGPTは株式選択に有効であるが,ポートフォリオ内の株式に最適な重み付けを割り当てるには適さない可能性が示唆された。
論文 参考訳（メタデータ） (2023-08-11T17:48:17Z) - HireVAE: An Online and Adaptive Factor Model Based on Hierarchical and
Regime-Switch VAE [113.47287249524008]
オンラインで適応的な環境で株価予測を行うファクターモデルを構築することは、依然としてオープンな疑問である。
本稿では,オンラインおよび適応型要素モデルであるHireVAEを,市場状況とストックワイド潜在要因の関係を埋め込んだ階層型潜在空間として提案する。
4つの一般的な実市場ベンチマークにおいて、提案されたHireVAEは、以前の手法よりもアクティブリターンの点で優れたパフォーマンスを示している。
論文 参考訳（メタデータ） (2023-06-05T12:58:13Z) - Holder Recommendations using Graph Representation Learning & Link
Prediction [0.0]
現在のメソッドは、特定の製品分類とリターン、手数料、カテゴリなどの属性に基づいて、リードをサーフェスします。
本稿では,金融商品の保有者空間にリードレコメンデーションシステムを構築するための包括的データ駆動型フレームワークを提案する。
論文 参考訳（メタデータ） (2022-11-10T16:36:17Z) - Self-supervised Graph-based Point-of-interest Recommendation [66.58064122520747]
Next Point-of-Interest (POI)レコメンデーションは、ロケーションベースのeコマースにおいて重要なコンポーネントとなっている。
自己教師付きグラフ強化POIレコメンデーション(S2GRec)を次のPOIレコメンデーションのために提案する。
特に,グローバル・トランジション・グラフと局所軌道グラフの両方からの協調的な信号を組み込むために,グラフ強化セルフアテンテート・レイヤを考案した。
論文 参考訳（メタデータ） (2022-10-22T17:29:34Z) - Price DOES Matter! Modeling Price and Interest Preferences in
Session-based Recommendation [55.0391061198924]
セッションベースのレコメンデーションは、匿名ユーザが自分の短い行動シーケンスに基づいて購入したいアイテムを予測することを目的としている。
セッションベースのレコメンデーションの価格設定を組み込むのは簡単ではない。
セッションベースレコメンデーションのためのCoHHN(Co-guided Heterogeneous Hypergraph Network)を提案する。
論文 参考訳（メタデータ） (2022-05-09T10:47:15Z) - Fuzzy Expert System for Stock Portfolio Selection: An Application to
Bombay Stock Exchange [0.0]
ボンベイ証券取引所(BSE)の株式評価と格付けのためにファジィエキスパートシステムモデルが提案されている。
このモデルの性能は、最近の株のパフォーマンスと比較すると、短期的な投資期間で十分であることが判明した。
論文 参考訳（メタデータ） (2022-04-28T10:01:15Z) - PURS: Personalized Unexpected Recommender System for Improving User
Satisfaction [76.98616102965023]
本稿では、予期せぬことを推奨プロセスに組み込んだ、新しいPersonalized Unexpected Recommender System(PURS)モデルについて述べる。
3つの実世界のデータセットに対する大規模なオフライン実験は、提案されたPURSモデルが最先端のベースラインアプローチを大幅に上回っていることを示している。
論文 参考訳（メタデータ） (2021-06-05T01:33:21Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。