論文の概要: Interpretable Deep Learning for Stock Returns: A Consensus-Bottleneck Asset Pricing Model

• arxiv url: http://arxiv.org/abs/2512.16251v1
• Date: Thu, 18 Dec 2025 07:05:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-19 18:10:31.962457
• Title: Interpretable Deep Learning for Stock Returns: A Consensus-Bottleneck Asset Pricing Model
• Title（参考訳）: ストックリターンの解釈可能なディープラーニング:コンセンサス・ボトルネック・アセット価格モデル
• Authors: Bong-Gyu Jang, Younwoo Jeong, Changeun Kim,
• Abstract要約: textitConsensus-Bottleneck Asset Pricing Model (CB-APM)を紹介する。 CB-APMは部分的に解釈可能なニューラルネットワークであり、販売側アナリストの推論プロセスを再現する。 米国株の将来のリスクプレミアムを予測し、構造的に解釈可能な方法で信念集約と期待リターンをリンクする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: We introduce the \textit{Consensus-Bottleneck Asset Pricing Model} (CB-APM), a partially interpretable neural network that replicates the reasoning processes of sell-side analysts by capturing how dispersed investor beliefs are compressed into asset prices through a consensus formation process. By modeling this ``bottleneck'' to summarize firm- and macro-level information, CB-APM not only predicts future risk premiums of U.S. equities but also links belief aggregation to expected returns in a structurally interpretable manner. The model improves long-horizon return forecasts and outperforms standard deep learning approaches in both predictive accuracy and explanatory power. Comprehensive portfolio analyses show that CB-APM's out-of-sample predictions translate into economically meaningful payoffs, with monotonic return differentials and stable long-short performance across regularization settings. Empirically, CB-APM leverages consensus as a regularizer to amplify long-horizon predictability and yields interpretable consensus-based components that clarify how information is priced in returns. Moreover, regression and GRS-based pricing diagnostics reveal that the learned consensus representations capture priced variation only partially spanned by traditional factor models, demonstrating that CB-APM uncovers belief-driven structure in expected returns beyond the canonical factor space. Overall, CB-APM provides an interpretable and empirically grounded framework for understanding belief-driven return dynamics.
• Abstract（参考訳）: 本稿では,分散投資家の信念が,コンセンサス形成プロセスを通じて資産価格にどのように圧縮されるかを把握することで,販売側アナリストの推論過程を再現する部分解釈可能なニューラルネットワークである‘textit{Consensus-Bottleneck Asset Pricing Model’(CB-APM)を紹介する。 この {bottleneck'' をモデル化して、ファーム・マクロレベルの情報を要約することにより、CB-APM は米国株の将来のリスクプレミアムを予測するだけでなく、予想されるリターンを構造的に解釈可能な方法でリンクする。 このモデルでは、長期の回帰予測を改善し、予測精度と説明力の両方で標準的なディープラーニングアプローチより優れている。 包括的ポートフォリオ分析により、CB-APMのアウト・オブ・サンプル予測は、単調なリターン微分と、正規化設定における安定したロングショートパフォーマンスによって、経済的に意味のあるペイオフへと変換されることが示された。 CB-APMは、リレーダライザとしてコンセンサスを活用して、長期水平予測可能性を増幅し、リターンにおける情報の価格設定を明確にする解釈可能なコンセンサスベースのコンポーネントを生成する。 さらに、回帰とGASに基づく価格診断により、学習されたコンセンサス表現は、従来の因子モデルによって部分的に分散された価格変動のみをキャプチャし、CB-APMが標準因子空間を超えて期待されるリターンの信念駆動構造を明らかにすることを示した。 全体的なCB-APMは、信念駆動リターンダイナミクスを理解するための解釈可能で実証的な基盤となるフレームワークを提供する。

関連論文リスト

• Your AI, Not Your View: The Bias of LLMs in Investment Analysis [62.388554963415906]
  金融において、Large Language Models (LLMs) は、事前訓練されたパラメトリック知識とリアルタイム市場データとの相違から生じる、頻繁な知識紛争に直面している。 これらの対立は、モデル固有のバイアスが制度的目的と誤認される現実世界の投資サービスにおいて特に問題となる。 本研究では,このような紛争シナリオにおける創発的行動を調べるための実験的枠組みを提案し,投資分析におけるバイアスの定量的分析を行う。
  論文  参考訳（メタデータ） (2025-07-28T16:09:38Z)
• Can We Reliably Predict the Fed's Next Move? A Multi-Modal Approach to U.S. Monetary Policy Forecasting [2.6396287656676733]
  本研究では、構造化データと連邦準備制度の通信からの非構造化テキスト信号を統合することにより、予測精度を向上させることができるかどうかを検討する。 以上の結果から,ハイブリッドモデルは単調なベースラインを一貫して上回ることがわかった。 金融政策予測では、より単純なハイブリッドモデルは正確性と解釈可能性の両方を提供し、研究者と意思決定者に実用的な洞察を提供する。
  論文  参考訳（メタデータ） (2025-06-28T05:54:58Z)
• Enhancing Black-Litterman Portfolio via Hybrid Forecasting Model Combining Multivariate Decomposition and Noise Reduction [13.04801847533423]
  本稿では,ビュー生成プロセスの自動化と改善を目的としたハイブリッド予測モデルSSA-MAEMD-TCNを提案する。 ナスダック100指数の実証試験では、ベースラインモデルと比較して予測性能が大幅に改善した。 最適化されたポートフォリオは、年次リターンとシャープ比率が従来のポートフォリオよりもはるかに高いため、うまく機能する。
  論文  参考訳（メタデータ） (2025-05-03T10:52:57Z)
• Assessing Uncertainty in Stock Returns: A Gaussian Mixture Distribution-Based Method [19.332951287688108]
  中国株式市場における資産返却分布の複雑で時間的な性質を捉えるための新しい深層学習モデルを導入する。 提案手法は,スキューネスやヘビーテールなどの短期変動と,ストックリターンの非伝統的な特徴を効果的に特徴付ける。 より正確なボラティリティ予測を提供し、異なる資産に対するユニークなリスク洞察を提供し、それによってリターンの不確実性に対する理解を深める。
  論文  参考訳（メタデータ） (2025-03-10T05:20:56Z)
• BreakGPT: Leveraging Large Language Models for Predicting Asset Price Surges [55.2480439325792]
  本稿では,時系列予測や資産価格の急上昇の予測に特化して,新たな大規模言語モデル(LLM)アーキテクチャであるBreakGPTを紹介する。 我々は、最小限のトレーニングで財務予測を行うための有望なソリューションとしてBreakGPTを紹介し、局所的およびグローバルな時間的依存関係をキャプチャする強力な競合相手として紹介する。
  論文  参考訳（メタデータ） (2024-11-09T05:40:32Z)
• Federated Conformal Predictors for Distributed Uncertainty Quantification [83.50609351513886]
  コンフォーマル予測は、機械学習において厳密な不確実性定量化を提供するための一般的なパラダイムとして現れつつある。 本稿では,共形予測を連邦学習環境に拡張する。 本稿では、FL設定に適した部分交換可能性の弱い概念を提案し、それをフェデレート・コンフォーマル予測フレームワークの開発に利用する。
  論文  参考訳（メタデータ） (2023-05-27T19:57:27Z)
• Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models [48.87381259980254]
  我々は、ChatGPTのような大規模言語モデル(LLM)が、直接の金融トレーニングなしでニュースの見出しから株式市場の反応を予測する能力について文書化している。 GPT-4は、認識後カットオフの見出しを使って、最初の市場の反応を捉え、取引不能な初期反応に対して、ポートフォリオの1日当たりのヒット率を約90%達成している。
  論文  参考訳（メタデータ） (2023-04-15T19:22:37Z)
• Empirical Asset Pricing via Ensemble Gaussian Process Regression [4.281723404774889]
  我々のアンサンブル学習アプローチは、GPR推論に固有の計算複雑性を著しく減少させる。 本手法は,統計的,経済的に既存の機械学習モデルを支配している。 これは不確実な投資家にアピールし、S&P500を上回る等級と重み付けの予測対象ポートフォリオを圧倒的に上回っている。
  論文  参考訳（メタデータ） (2022-12-02T09:37:29Z)
• Regularizing Variational Autoencoder with Diversity and Uncertainty Awareness [61.827054365139645]
  変分オートエンコーダ(VAE)は、償却変分推論に基づいて潜伏変数の後部を近似する。 よりディバースで不確実な潜在空間を学習するための代替モデルDU-VAEを提案する。
  論文  参考訳（メタデータ） (2021-10-24T07:58:13Z)

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。