論文の概要: On Evaluating Loss Functions for Stock Ranking: An Empirical Analysis With Transformer Model

• arxiv url: http://arxiv.org/abs/2510.14156v1
• Date: Wed, 15 Oct 2025 23:06:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-17 21:15:14.648367
• Title: On Evaluating Loss Functions for Stock Ranking: An Empirical Analysis With Transformer Model
• Title（参考訳）: ストックランク付けにおける損失関数の評価--トランスフォーマーモデルを用いた実証分析
• Authors: Jan Kwiatkowski, Jarosław A. Chudziak,
• Abstract要約: トランスフォーマーモデルは金融時系列を理解することを約束している。 しかし、異なるトレーニング損失関数が株のランク付け能力にどのように影響するかは、まだ完全には理解されていない。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantitative trading strategies rely on accurately ranking stocks to identify profitable investments. Effective portfolio management requires models that can reliably order future stock returns. Transformer models are promising for understanding financial time series, but how different training loss functions affect their ability to rank stocks well is not yet fully understood. Financial markets are challenging due to their changing nature and complex relationships between stocks. Standard loss functions, which aim for simple prediction accuracy, often aren't enough. They don't directly teach models to learn the correct order of stock returns. While many advanced ranking losses exist from fields such as information retrieval, there hasn't been a thorough comparison to see how well they work for ranking financial returns, especially when used with modern Transformer models for stock selection. This paper addresses this gap by systematically evaluating a diverse set of advanced loss functions including pointwise, pairwise, listwise for daily stock return forecasting to facilitate rank-based portfolio selection on S&P 500 data. We focus on assessing how each loss function influences the model's ability to discern profitable relative orderings among assets. Our research contributes a comprehensive benchmark revealing how different loss functions impact a model's ability to learn cross-sectional and temporal patterns crucial for portfolio selection, thereby offering practical guidance for optimizing ranking-based trading strategies.
• Abstract（参考訳）: 量的トレーディング戦略は、利益のある投資を正確にランク付けすることに依存している。 効果的なポートフォリオ管理には、将来の株式リターンを確実に発注できるモデルが必要である。 トランスフォーマーモデルは、金融時系列を理解することを約束していますが、トレーニング損失関数の違いが株価のランク付け能力にどのように影響するかは、まだ完全には理解していません。 金融市場は、その性質の変化と株式間の複雑な関係のために困難である。 単純な予測精度を目標とする標準損失関数は、多くの場合、不十分である。 彼らはモデルに直接ストックリターンの正しい順序を学ぶように教えません。 情報検索などの分野から先進的なランキングの損失が多数存在するが、金融リターンのランク付けにどの程度うまく働くか、特にストックセレクションにモダンなTransformerモデルを使用する場合、徹底した比較は行われていない。 本稿では,S&P 500 データのランクベースポートフォリオ選択を容易にするために,毎日の株価リターン予測において,ポイントワイズ,ペアワイズ,リストワイズを含む多種多様な高度な損失関数を体系的に評価することによって,このギャップに対処する。 損失関数がモデルにどのように影響するかを評価することに集中し、資産間の利益のある相対的な順序を識別する。 本研究は、ポートフォリオ選択に不可欠な横断的・時間的パターンを学習し、ランキングベースの取引戦略を最適化するための実践的なガイダンスを提供するモデルにおいて、損失関数の違いがいかに影響するかを示す総合的なベンチマークに寄与する。

関連論文リスト

• Reinforcement Learning for Stock Transactions [1.9578448731837585]
  我々は,Q-Learning,線形関数近似を用いたQ-Learning,深層Q-Learningを用いて,一連のエージェントを訓練する。 機械学習回帰モデルと分類モデルを用いて株価の予測を試みる。
  論文  参考訳（メタデータ） (2025-05-22T01:00:57Z)
• STORM: A Spatio-Temporal Factor Model Based on Dual Vector Quantized Variational Autoencoders for Financial Trading [55.02735046724146]
  金融取引では、ファクターモデルが資産の価格設定や過大なリターンの獲得に広く利用されている。 双対ベクトル量子化変分オートエンコーダを用いた時空間ファクトラーモデルSTORMを提案する。 ストームは時間的および空間的な視点からストックの特徴を抽出し、これらの特徴を微細で意味的なレベルで融合し整列させ、その要素を多次元の埋め込みとして表現する。
  論文  参考訳（メタデータ） (2024-12-12T17:15:49Z)
• When AI Meets Finance (StockAgent): Large Language Model-based Stock Trading in Simulated Real-world Environments [55.19252983108372]
  LLMによって駆動される、StockAgentと呼ばれるマルチエージェントAIシステムを開発した。 StockAgentを使えば、ユーザーはさまざまな外部要因が投資家取引に与える影響を評価することができる。 AIエージェントに基づく既存のトレーディングシミュレーションシステムに存在するテストセットのリーク問題を回避する。
  論文  参考訳（メタデータ） (2024-07-15T06:49:30Z)
• Optimizing Portfolio Management and Risk Assessment in Digital Assets Using Deep Learning for Predictive Analysis [5.015409508372732]
  本稿では,DQNアルゴリズムを新規かつ簡単な方法で資産管理ポートフォリオに導入する。 この性能はベンチマークをはるかに上回り、ポートフォリオ管理におけるDRLアルゴリズムの有効性を十分に証明している。 異なる資産は別々に環境として訓練されるので、異なる資産間でQ値が漂う現象があるかもしれない。
  論文  参考訳（メタデータ） (2024-02-25T05:23:57Z)
• Combining Deep Learning on Order Books with Reinforcement Learning for Profitable Trading [0.0]
  本研究は,注文フローを用いた複数地平線におけるリターン予測と,5つの金融機器を対象とした3つの時間差不均衡学習モデルを訓練することに焦点を当てる。 この結果は潜在的な可能性を証明しているが、小売取引コスト、滑り込み、スプレッド・揺らぎを完全に処理するためには、一貫した黒字取引のためのさらなる最小限の修正が必要である。
  論文  参考訳（メタデータ） (2023-10-24T15:58:58Z)
• Diffusion Variational Autoencoder for Tackling Stochasticity in Multi-Step Regression Stock Price Prediction [54.21695754082441]
  長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。 多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。 深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。 本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-18T16:21:15Z)
• 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)

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。