論文の概要: A Bipartite Graph Approach to U.S.-China Cross-Market Return Forecasting

• arxiv url: http://arxiv.org/abs/2603.10559v1
• Date: Wed, 11 Mar 2026 09:07:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-12 16:22:32.864873
• Title: A Bipartite Graph Approach to U.S.-China Cross-Market Return Forecasting
• Title（参考訳）: 米国と中国のクロスマーケットリターン予測に対する二部作のグラフアプローチ
• Authors: Jing Liu, Maria Grith, Xiaowen Dong, Mihai Cucuringu,
• Abstract要約: 経済構造を保存する機械学習フレームワークを用いて、市場間のリターン予測可能性について検討する。 市場を横断する株価間の時間順の予測リンクをキャプチャする有向二部グラフを構築した。
• 参考スコア（独自算出の注目度）: 14.426906283511746
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper studies cross-market return predictability through a machine learning framework that preserves economic structure. Exploiting the non-overlapping trading hours of the U.S. and Chinese equity markets, we construct a directed bipartite graph that captures time-ordered predictive linkages between stocks across markets. Edges are selected via rolling-window hypothesis testing, and the resulting graph serves as a sparse, economically interpretable feature-selection layer for downstream machine learning models. We apply a range of regularized and ensemble methods to forecast open-to-close returns using lagged foreign-market information. Our results reveal a pronounced directional asymmetry: U.S. previous-close-to-close returns contain substantial predictive information for Chinese intraday returns, whereas the reverse effect is limited. This informational asymmetry translates into economically meaningful performance differences and highlights how structured machine learning frameworks can uncover cross-market dependencies while maintaining interpretability.
• Abstract（参考訳）: 本稿では、経済構造を保存する機械学習フレームワークを用いて、市場間のリターン予測可能性について検討する。 米国と中国の株式市場の重複しないトレーディング時間(取引時間)を突破し、市場全体にわたる株価間の時間順序付き予測リンクをキャプチャーする有向二部グラフを構築した。 エッジはローリングウィンドウ仮説テストによって選択され、結果として得られるグラフは、下流機械学習モデルのためのスパースで経済的に解釈可能な特徴選択層として機能する。 我々は、ラッジ付き外国市場情報を用いて、オープン・トゥ・クローズ・リターンを予測するために、正規化およびアンサンブルの手法を多種多様に適用する。 以上の結果から,日内リターンの予測情報を含む米国における先行クローズ・トゥ・クローズリターンは,逆効果が限定される一方,顕著な方向性非対称性が示された。 この情報非対称性は、経済的に意味のあるパフォーマンスの違いに変換され、構造化された機械学習フレームワークが、解釈可能性を維持しながら、市場間の依存関係を明らかにする方法について強調する。

関連論文リスト

• Forecasting Future Language: Context Design for Mention Markets [81.25011140991566]
  我々は、参照市場における正確な予測を支援するために、入力コンテキストをどのように設計するかを検討する。 1 より豊かなコンテキストは予測性能を継続的に改善し、(2)市場条件付きプロンプト(MCP)は事前の市場確率を扱い、テキストによる証拠を用いてそれを更新し、より良いキャリブレーションの予測を得る、(3)市場確率とMCP(MixMCP)の混合が市場ベースラインを上回っている、という3つの洞察を得た。
  論文  参考訳（メタデータ） (2026-02-04T12:43:31Z)
• Semantic Trading: Agentic AI for Clustering and Relationship Discovery in Prediction Markets [6.329256068898982]
  自然言語理解を用いて,市場を協調したトピックグループに自律的にクラスタリングするエージェントAIパイプラインを提案する。 我々は、同一利益(相関性)と異利益(反相関性)の関係を含む、解決結果が強い依存を示すクラスタ内市場ペアを特定する。 その結果,エージェント識別された関係はおよそ60～70%の精度を達成し,その貿易戦略が1週間の地平線上で平均で約20%のリターンを得られることがわかった。
  論文  参考訳（メタデータ） (2025-12-02T05:45:48Z)
• RETuning: Upgrading Inference-Time Scaling for Stock Movement Prediction with Large Language Models [37.97736341087795]
  本研究では,大規模言語モデル(LLM)が,体系的かつ独立した分析論理(CoT)を示すのではなく,アナリストの意見に従うことを観察し,三クラス分類問題(アップ,ホールド,ダウン)を考察する。 本稿では,強化学習に先立つ冷間開始法である反射エビデンスチューニング(RETuning)を提案し,予測能力を向上する。 2024年全体の5,123件のAシェアストックに、長いコンテキスト(32Kトークン)と200K以上のサンプルを備えた大規模なデータセットを構築しています。
  論文  参考訳（メタデータ） (2025-10-24T16:08:33Z)
• GRUvader: Sentiment-Informed Stock Market Prediction [0.0]
  本研究では,市場予測のための機械学習アルゴリズムをいくつか比較し,感情分析指標が株価予測に与える影響について検討した。 以上の結果から,スタンドアローンモデルはAI強化モデルと比較して困難であったことが示唆された。
  論文  参考訳（メタデータ） (2024-12-07T04:56:17Z)
• Quantitative Theory of Meaning. Application to Financial Markets. EUR/USD case study [1.3682156035049036]
  本論文は、情報と投資家の期待と市場価格運動の関連性に焦点を当てている。 我々は,情報量論の補完として,意味の定量的理論を構築した。 提案手法は、将来の市場資産の価格変動をよりよく理解し予測するために使用することができる。
  論文  参考訳（メタデータ） (2024-10-09T02:06:40Z)
• American Option Pricing using Self-Attention GRU and Shapley Value Interpretation [0.0]
  本稿では,ゲートリカレントユニット(GRU)と自己認識機構に基づいて,SPY(ETF)オプションの価格を予測する機械学習手法を提案する。 我々は、多層パーセプトロン(MLP)、長期記憶(LSTM)、自己注意型LSTM、自己注意型GRUの4つの異なる機械学習モデルを構築した。
  論文  参考訳（メタデータ） (2023-10-19T06:05:46Z)
• 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)
• Deep learning based Chinese text sentiment mining and stock market correlation research [6.000327333763521]
  我々は、ストックバーなどの金融フォーラムデータをクロールして、感情分析のためのディープラーニングモデルと組み合わせる方法について検討する。 本稿では、BERTモデルを用いて、財務コーパスに対するトレーニングを行い、SZSE成分指数を予測する。 得られた感情特徴は、株式市場の変動を反映し、予測精度を効果的に改善するのに役立つだろう。
  論文  参考訳（メタデータ） (2022-05-10T08:35:33Z)
• REST: Relational Event-driven Stock Trend Forecasting [76.08435590771357]
  既存の手法の欠点に対処するために,rest(relational event-driven stock trend forecasting)フレームワークを提案する。 第1の欠点を是正するため,我々は,株価の文脈をモデル化し,異なる状況下での株価に対する事象情報の影響を学ぶことを提案する。 第2の欠点に対処するために,ストックグラフを構築し,関連する株からイベント情報の影響を伝達する新しい伝播層を設計する。
  論文  参考訳（メタデータ） (2021-02-15T07:22:09Z)
• A Sentiment Analysis Approach to the Prediction of Market Volatility [62.997667081978825]
  金融ニュースとツイートから抽出された感情とFTSE100の動きの関係を調べました。 ニュース見出しから得られた感情は、市場のリターンを予測するシグナルとして使われる可能性があるが、ボラティリティには当てはまらない。 我々は,新たな情報の到着に応じて,市場の変動を予測するための正確な分類器を開発した。
  論文  参考訳（メタデータ） (2020-12-10T01:15:48Z)

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。