論文の概要: Cross-Sectional Asset Retrieval via Future-Aligned Soft Contrastive Learning

• arxiv url: http://arxiv.org/abs/2602.10711v1
• Date: Wed, 11 Feb 2026 10:17:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-12 21:44:01.744254
• Title: Cross-Sectional Asset Retrieval via Future-Aligned Soft Contrastive Learning
• Title（参考訳）: 未来適応型ソフトコントラスト学習によるクロスセクションアセット検索
• Authors: Hyeongmin Lee, Chanyeol Choi, Jihoon Kwon, Yoon Kim, Alejandro Lopez-Lira, Wonbin Ahn, Yongjae Lee,
• Abstract要約: 我々は、効果的な資産検索は将来整合するべきだと論じる。 米国株4,229株の実験では、Future-Aligned Soft Contrastive Learningは、将来のすべての指標で13のベースラインを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 87.54084417547621
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Asset retrieval--finding similar assets in a financial universe--is central to quantitative investment decision-making. Existing approaches define similarity through historical price patterns or sector classifications, but such backward-looking criteria provide no guarantee about future behavior. We argue that effective asset retrieval should be future-aligned: the retrieved assets should be those most likely to exhibit correlated future returns. To this end, we propose Future-Aligned Soft Contrastive Learning (FASCL), a representation learning framework whose soft contrastive loss uses pairwise future return correlations as continuous supervision targets. We further introduce an evaluation protocol designed to directly assess whether retrieved assets share similar future trajectories. Experiments on 4,229 US equities demonstrate that FASCL consistently outperforms 13 baselines across all future-behavior metrics. The source code will be available soon.
• Abstract（参考訳）: 資産の検索-金融の世界における類似資産のファイリングは、量的投資決定の中心である。 既存のアプローチでは、過去の価格パターンやセクター分類を通じて類似性を定義するが、このような後方の基準は将来の行動を保証するものではない。 回収された資産は、最も相関した将来のリターンを示す可能性が最も高いものとなるべきである。 この目的のために,ソフトコントラスト損失を両立させた表現学習フレームワークであるFuture-Aligned Soft Contrastive Learning (FASCL)を提案する。 さらに,検索した資産が類似した将来の軌道を共有できるかどうかを直接評価する評価プロトコルを導入する。 米国株4,229株の実験では、FASCLは将来のすべての指標で一貫して13のベースラインを上回っている。 ソースコードはまもなく公開される予定だ。

関連論文リスト

• $φ$-DPO: Fairness Direct Preference Optimization Approach to Continual Learning in Large Multimodal Models [58.217707070069885]
  本稿では,LMMにおける連続学習のためのFairness Direct Preference Optimization (FaiDPO, $-DPO) フレームワークを提案する。 まず,直接選好最適化(DPO)に基づく新たな連続学習パラダイムを提案する。 大規模な実験とアブレーション研究は、提案された$-DPOが複数のベンチマークでステート・オブ・ザ・アートのパフォーマンスを達成することを示している。
  論文  参考訳（メタデータ） (2026-02-26T04:14:33Z)
• Log-Sum-Exponential Estimator for Off-Policy Evaluation and Learning [50.93804891554481]
  従来の逆確率スコア推定よりも優れた対数推定演算子(log-sum-exponential (LSE)演算子)に基づく新しい推定器を提案する。 我々のLSE推定器は, 重み付き条件下での分散低減とロバスト性を示す。 政治以外の学習シナリオでは、LSE推定器と最適ポリシーの間のパフォーマンスギャップである後悔の限界を確立します。
  論文  参考訳（メタデータ） (2025-06-07T17:37:10Z)
• Timing is Important: Risk-aware Fund Allocation based on Time-Series Forecasting [10.540006708939647]
  我々は、資金配分の問題を解決するために、リスク対応の時系列予測(RTS-PnO)フレームワークを導入する。 このフレームワークには, 目標アライメント測定によるエンドツーエンドトレーニング, (ii) 適応予測の不確実性校正, (iii) 予測モデルに非依存な3つの特徴がある。 RTS-PnOの評価はオンラインとオフラインの両方の実験で行われている。
  論文  参考訳（メタデータ） (2025-05-30T17:36:45Z)
• Deriving Strategic Market Insights with Large Language Models: A Benchmark for Forward Counterfactual Generation [55.2788567621326]
  本稿では,FIN-FORCE-FINancial Forward Counterfactual Evaluationを提案する。 FIN-FORCEは金融ニュースの見出しをまとめることで、LLMベースの対実生成を支援する。 これにより、将来の市場展開を探索し、予測するためのスケーラブルで自動化されたソリューションの道を開くことができる。
  論文  参考訳（メタデータ） (2025-05-26T02:41:50Z)
• FinTSB: A Comprehensive and Practical Benchmark for Financial Time Series Forecasting [58.70072722290475]
  ファイナンシャル・タイム・シリーズ(FinTS)は、人間の脳を増強した意思決定の行動を記録する。 FinTSBは金融時系列予測のための総合的で実用的なベンチマークである。
  論文  参考訳（メタデータ） (2025-02-26T05:19:16Z)
• Post-hoc Probabilistic Vision-Language Models [54.05237186168399]
  視覚言語モデル(VLM)は、分類、検索、生成タスクにおいて顕著な成功を収めている。 追加トレーニングを必要としないVLMにおけるポストホック不確実性評価を提案する。 この結果から,大規模モデルの安全性クリティカルな応用が期待できることがわかった。
  論文  参考訳（メタデータ） (2024-12-08T18:16:13Z)
• Contrastive Learning of Asset Embeddings from Financial Time Series [8.595725772518332]
  金融時系列データから資産埋め込みを生成するための,新しいコントラスト学習フレームワークを提案する。 提案手法は,多くのサブウインドウに対するアセットリターンの類似性を利用して,情報的正および負のサンプルを生成する。 実世界のデータセットに関する実験は、ベンチマーク業界分類とポートフォリオ最適化タスクにおける学習した資産埋め込みの有効性を実証している。
  論文  参考訳（メタデータ） (2024-07-26T10:26:44Z)
• Financial Assets Dependency Prediction Utilizing Spatiotemporal Patterns [6.424226384944309]
  資産の依存関係をADM(Asset Dependency Matrix)としてモデル化する新しいアプローチを提案する。 隣接する画素が物体運動の自然な連続性によって明らかに時間的依存を示すビデオ画像とは異なり、ADMのアセットは自然な順序を持たない。 本研究では,Conal Long Short-Term Memory (ConLSTM) ネットワークを用いたアセット依存ニューラルネットワーク (ADNN) を提案する。
  論文  参考訳（メタデータ） (2024-06-13T09:42:28Z)
• FinGAT: Financial Graph Attention Networks for Recommending Top-K Profitable Stocks [10.302225525539006]
  株価の時系列をモデル化する既存のアプローチでは、株価とセクター間の関係は無視されるか、事前に定義される。 本稿では,この課題に対処するための新しいディープラーニングモデルであるFinancial Graph Attention Networks (FinGAT)を提案する。 台湾株、S&P500およびNASDAQデータセットを用いた実験は、顕著なレコメンデーション性能を示した。
  論文  参考訳（メタデータ） (2021-06-18T14:51:14Z)
• Profitability Analysis in Stock Investment Using an LSTM-Based Deep Learning Model [1.2891210250935146]
  長期記憶ネットワーク(LSTM)ネットワーク上に構築した深層学習に基づく回帰モデルを提案する。 特定の開始日と終了日について、株式のティッカー名に基づいて過去の株価を抽出し、将来の株価を予測する。 インド株式市場の15の重要セクターから選ばれた75の重要銘柄にモデルを配置する。
  論文  参考訳（メタデータ） (2021-04-06T11:09:51Z)

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。