論文の概要: FactorGCL: A Hypergraph-Based Factor Model with Temporal Residual Contrastive Learning for Stock Returns Prediction

• arxiv url: http://arxiv.org/abs/2502.05218v1
• Date: Wed, 05 Feb 2025 12:37:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-11 14:33:39.380157
• Title: FactorGCL: A Hypergraph-Based Factor Model with Temporal Residual Contrastive Learning for Stock Returns Prediction
• Title（参考訳）: FactorGCL:ストックリターン予測のための時間的残差学習を用いたハイパーグラフに基づく因子モデル
• Authors: Yitong Duan, Weiran Wang, Jian Li,
• Abstract要約: 時間的残留的コントラスト学習(FactorGCL)を用いたハイパーグラフに基づく因子モデルを提案する。 ストックリターンを予測するために, 人為的に設計された先行要因を補う隠蔽因子を抽出するために, カスケード残差ハイパーグラフアーキテクチャを設計する。 実株市場データに関する我々の実験は、FacterGCLが既存の最先端手法より優れていることを示している。
• 参考スコア（独自算出の注目度）: 16.70420232738428
• License:
• Abstract: As a fundamental method in economics and finance, the factor model has been extensively utilized in quantitative investment. In recent years, there has been a paradigm shift from traditional linear models with expert-designed factors to more flexible nonlinear machine learning-based models with data-driven factors, aiming to enhance the effectiveness of these factor models. However, due to the low signal-to-noise ratio in market data, mining effective factors in data-driven models remains challenging. In this work, we propose a hypergraph-based factor model with temporal residual contrastive learning (FactorGCL) that employs a hypergraph structure to better capture high-order nonlinear relationships among stock returns and factors. To mine hidden factors that supplement human-designed prior factors for predicting stock returns, we design a cascading residual hypergraph architecture, in which the hidden factors are extracted from the residual information after removing the influence of prior factors. Additionally, we propose a temporal residual contrastive learning method to guide the extraction of effective and comprehensive hidden factors by contrasting stock-specific residual information over different time periods. Our extensive experiments on real stock market data demonstrate that FactorGCL not only outperforms existing state-of-the-art methods but also mines effective hidden factors for predicting stock returns.
• Abstract（参考訳）: 経済と金融の基本的な方法として、ファクターモデルは量的投資に広く利用されている。 近年、専門家設計の要素を持つ従来の線形モデルから、データ駆動の要素を持つより柔軟な非線形機械学習モデルへのパラダイムシフトがあり、これらの因子モデルの有効性の向上を目指している。 しかし、市場データの信号対雑音比が低いため、データ駆動モデルにおける有効要因のマイニングは依然として困難である。 本研究では,高次非線形関係をよりよく捉えるためにハイパーグラフ構造を用いた時間的残留的コントラスト学習(FactorGCL)を用いたハイパーグラフベースの因子モデルを提案する。 ストックリターンを予測するために人為的に設計された先行要因を補う隠蔽因子を抽出するために,先行要因の影響を除去した残余情報から隠蔽因子を抽出するカスケード残差ハイパーグラフアーキテクチャを設計する。 さらに,ストック固有残差情報を異なる期間にわたって比較することにより,有効かつ包括的な隠蔽要因の抽出を導くための時間的残留残差学習手法を提案する。 実株市場データに関する広範な実験は、FacterGCLが既存の最先端の手法を上回るだけでなく、株価のリターンを予測するための効果的な隠れた要因を掘り下げていることを示している。

関連論文リスト

• Enhancing Training Data Attribution for Large Language Models with Fitting Error Consideration [74.09687562334682]
  Debias and Denoise Attribution (DDA) と呼ばれる新しいトレーニングデータ属性法を導入する。 提案手法は既存のアプローチよりも優れており,平均91.64%のAUCを実現している。 DDAは、様々なソースとLLaMA2、QWEN2、Mistralのような異なるスケールのモデルに対して、強力な汎用性とスケーラビリティを示す。
  論文  参考訳（メタデータ） (2024-10-02T07:14:26Z)
• NeuralFactors: A Novel Factor Learning Approach to Generative Modeling of Equities [0.0]
  ニューラルネットワークが因子の露出を出力し、因子が返ってくる因子分析のための、新しい機械学習ベースのアプローチであるNeuralFactorsを紹介する。 このモデルは,ログライクな性能と計算効率の観点から,従来の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-08-02T18:01:09Z)
• Application of Deep Learning for Factor Timing in Asset Management [21.212548040046133]
  より柔軟なモデルは、目に見えない期間の係数プレミアムのばらつきを説明するのにより良いパフォーマンスを持つ。 ニューラルネットワークのような柔軟なモデルでは、予測に基づく最適な重み付けは不安定である傾向がある。 我々は、過去の最適再バランス方式によるリバランス頻度の傾きが、取引コストの削減に役立つことを検証した。
  論文  参考訳（メタデータ） (2024-04-27T21:57:17Z)
• To Repeat or Not To Repeat: Insights from Scaling LLM under Token-Crisis [50.31589712761807]
  大規模言語モデル(LLM)は、事前トレーニング中にトークンに悩まされていることで知られており、Web上の高品質なテキストデータは、LSMのスケーリング制限に近づいている。 本研究では,事前学習データの再学習の結果について検討し,モデルが過度に適合する可能性が示唆された。 第2に, マルチエポック劣化の原因となる要因について検討し, データセットのサイズ, モデルパラメータ, トレーニング目標など, 重要な要因について検討した。
  論文  参考訳（メタデータ） (2023-05-22T17:02:15Z)
• Factor Investing with a Deep Multi-Factor Model [123.52358449455231]
  我々は、業界中立化と市場中立化モジュールを明確な財務見識をもって取り入れた、新しい深層多要素モデルを開発する。 実世界の株式市場データによるテストは、我々の深層多要素モデルの有効性を示している。
  論文  参考訳（メタデータ） (2022-10-22T14:47:11Z)
• DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
  本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。 実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
  論文  参考訳（メタデータ） (2022-09-23T16:13:47Z)
• Deep Partial Least Squares for Empirical Asset Pricing [0.4511923587827302]
  我々は、deep partial least squares (DPLS) を用いて、個々の株式リターンに対する資産価格モデルの推定を行う。 新たな貢献は、非線形因子構造を解決し、経験的資産価格におけるディープラーニングの現在のパラダイムを前進させることである。
  論文  参考訳（メタデータ） (2022-06-20T21:30:39Z)
• Stock Index Prediction using Cointegration test and Quantile Loss [0.0]
  本稿では,情報的要因を選択する場合のリターンの観点から,より良い性能が得られる手法を提案する。 2つのRNN変種と量子損失を比較し, 結合試験により得られた5つの因子について比較した。 実験の結果,提案手法は従来の手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2021-09-29T16:20:29Z)
• Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
  公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。 過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。 我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
  論文  参考訳（メタデータ） (2021-06-08T14:48:20Z)
• Accurate and Robust Feature Importance Estimation under Distribution Shifts [49.58991359544005]
  PRoFILEは、新しい特徴重要度推定法である。 忠実さと頑健さの両面で、最先端のアプローチよりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-09-30T05:29:01Z)

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。