論文の概要: When Alpha Breaks: Two-Level Uncertainty for Safe Deployment of Cross-Sectional Stock Rankers

• arxiv url: http://arxiv.org/abs/2603.13252v1
• Date: Tue, 24 Feb 2026 14:02:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:42.232654
• Title: When Alpha Breaks: Two-Level Uncertainty for Safe Deployment of Cross-Sectional Stock Rankers
• Title（参考訳）: アルファが崩壊する時-クロスセクションの株価ランキングの安全な展開で2段階不確実性
• Authors: Ursina Sanderink,
• Abstract要約: 横断的なランキングモデルは、ポイント予測が十分であるかのように配置されることが多い。 非定常状態では、ランキングは政権交代時に失敗することがある。 我々は,ランクずれの予測により,直接てんかん不確かさ予測をランキングに適応させる。
• 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: Cross-sectional ranking models are often deployed as if point predictions were sufficient: the model outputs scores and the portfolio follows the induced ordering. Under non-stationarity, rankers can fail during regime shifts. In the AI Stock Forecaster, a LightGBM ranker performs well overall at a 20-day horizon, yet the 2024 holdout coincides with an AI thematic rally and sector rotation that breaks the signal at longer horizons and weakens 20d. This motivates treating deployment as two decisions: (i) whether the strategy should trade at all, and (ii) how to control risk within active trades. We adapt Direct Epistemic Uncertainty Prediction (DEUP) to ranking by predicting rank displacement and defining an epistemic uncertainty signal ehat relative to a point-in-time (PIT-safe) baseline. Empirically, ehat is structurally coupled with signal strength (median correlation between ehat and absolute score is about 0.6 across 1,865 dates), so inverse-uncertainty sizing de-levers the strongest signals and degrades performance. To address this, we propose a two-level deployment policy: a strategy-level regime-trust gate G(t) that decides whether to trade (AUROC around 0.72 overall and 0.75 in FINAL) and a position-level epistemic tail-risk cap that reduces exposure only for the most uncertain predictions. The operational policy, trade only when G(t) is at least 0.2, apply volatility sizing on active dates, and cap the top epistemic tail, improves risk-adjusted performance in the 20d policy comparison and indicates DEUP adds value mainly as a tail-risk guard rather than a continuous sizing denominator.
• Abstract（参考訳）: 横断的なランキングモデルはしばしば、ポイント予測が十分であるかのように展開される: モデルはスコアを出力し、ポートフォリオは誘導順序に従う。 非定常状態では、ランキングは政権交代時に失敗することがある。 AIストックフォアキャスターでは、LightGBMローダは20日間の地平線で全体的にうまく機能するが、2024のホールトアウトは、より長い地平線で信号を破り20dを弱めるAIテーマの上昇とセクターの回転と一致する。 これは、デプロイメントを2つの決定として扱う動機である。 一 戦略が全く取引すべきかどうか、及び 二 活発な貿易におけるリスクの抑制方法 位置ずれを予測し,PITセーフベースラインに比例してててんかん性不確実性信号ehatを定義することで,直接性不確実性予測(DEUP)をランキングに適応する。 経験的に、ehatは信号強度と構造的に結合している(ehatと絶対スコアの中間相関は1,865日で約0.6である)。 そこで本稿では,AUROC(AUROC:0.72、FINAL:0.75)と,最も不確実な予測に対してのみ露出を減少させる位置レベルのテールリスクキャップという2段階の展開方針を提案する。 運用方針は、G(t) が 0.2 である場合にのみ取引され、活動日数に応じてボラティリティ・サイズを適用し、トップ・エピステミック・テールをキャップし、20d ポリシー比較におけるリスク調整性能を改善し、DEUP は連続的なサイズ・ディノミネータではなく、主にテールリスク・ガードとして価値を付加することを示す。

関連論文リスト

• Early Rug Pull Warning for BSC Meme Tokens via Multi-Granularity Wash-Trading Pattern Profiling [3.1262100364392205]
  分散型金融(DeFi)におけるミームトークンの高頻度発行と短サイクル投機は、ルーグプルリスクを著しく増幅した。 既存のアプローチは、わずかな異常、不完全なラベル、限定的な解釈可能性の下で安定した早期警告を提供するのに依然として苦労している。 この問題に対処するために、データセットの構築とラベル付け、ハッシュトレーディングパターンの特徴モデリング、リスク予測、エラー解析の4段階からなるBSCミームトークンに対して、エンドツーエンドの警告フレームワークが提案されている。
  論文  参考訳（メタデータ） (2026-03-14T08:25:42Z)
• Improving Search Agent with One Line of Code [68.58667107354253]
  ツールベースのエージェント強化学習(TARL)は,検索エージェントが外部ツールと対話できるようにトレーニングするための,有望なパラダイムとして登場した。 textbfSearch textbfAgent textbfPolicy textbfOptimization (textbfSAPO)を提案する。
  論文  参考訳（メタデータ） (2026-03-10T04:07:39Z)
• Explainable Regime Aware Investing [0.0]
  本稿では,厳密な因果関係を持つ Wasserstein Hidden Markov Model に基づくレシック・アウェア・ポートフォリオ構築フレームワークを提案する。 ワッサーシュタインHMMレジームは、等重量およびSPXの買いと持ち株のベンチマークと対照的に、非常に高いリスク調整性能を達成している。
  論文  参考訳（メタデータ） (2026-02-21T00:33:16Z)
• Stablecoin Design with Adversarial-Robust Multi-Agent Systems via Trust-Weighted Signal Aggregation [5.151910664667141]
  本稿では,リスク状態推定のための新しいストレスハーネスを組み込んだ,信頼度の高い平均変動フロンティアリザーブコントローラMVF-Composerを提案する。 私たちの重要な洞察は、マルチエージェントシミュレーションを敵のストレステスターとしてデプロイし、オンチェーンが現れる前に予備的な脆弱性を露呈することです。 ブラックスワンを注入した1200のランダム化シナリオで、MVF-Composerはピークペグの偏差を57%減らし、SASベースラインに対して平均回復時間を3.1倍減らした。
  論文  参考訳（メタデータ） (2026-01-18T14:21:25Z)
• Bayesian Modeling for Uncertainty Management in Financial Risk Forecasting and Compliance [0.0]
  我々は,市場ボラティリティ予測,不正検出,コンプライアンス監視におけるリスクの取り扱いを継続的に促進する統合的アプローチを開発する。 我々は,2000年から2019年までのトレーニング期間,2020年から2024年までのアウト・オブ・サンプルテスト期間を用いて,毎日のS&P500リターンにおける95%バリュー・アット・リスク(VaR)予測の性能を評価した。 提案した割引係数DLMモデルは,クラスタ化違反の証拠とともに,わずかにリベラルなVaR推定を導出する。
  論文  参考訳（メタデータ） (2025-12-06T23:00:19Z)
• Monitoring State Transitions in Markovian Systems with Sampling Cost [65.4151496405543]
  自然なアプローチは、予想される予測損失がクエリコスト以下で、クエリがなければいつ発生するかを予測する、欲張りのポリシーである。 最適(OPT)戦略は状態依存のしきい値ポリシである。 遷移確率が未知の場合、我々は、グレディポリシーの予測勾配降下(PSGD)に基づく学習変種を提案する。
  論文  参考訳（メタデータ） (2025-10-25T15:07:37Z)
• Reinforcement Learning from Probabilistic Forecasts for Safe Decision-Making via Conditional Value-at-Risk Planning [41.52380204321823]
  本稿では,ベイズ予測,後方サンプリング強化学習,計画とを結合した統一的枠組みである不確実性認識マルコフ決定プロセス(UAMDP)を提案する。 構造的不確実性と経済のボラティリティを特徴とする2つのドメインの高頻度株式取引と小売在庫管理において,UAMDPを評価した。
  論文  参考訳（メタデータ） (2025-10-09T13:46:32Z)
• Safe Deployment for Counterfactual Learning to Rank with Exposure-Based Risk Minimization [63.93275508300137]
  本稿では,安全な配置を理論的に保証する新たなリスク認識型対実学習ランク法を提案する。 提案手法の有効性を実験的に検証し,データが少ない場合の動作不良の早期回避に有効であることを示す。
  論文  参考訳（メタデータ） (2023-04-26T15:54:23Z)
• Label Distributionally Robust Losses for Multi-class Classification: Consistency, Robustness and Adaptivity [55.29408396918968]
  多クラス分類のためのラベル分布ロバスト(LDR)損失という損失関数群について検討した。 我々の貢献は、多クラス分類のためのLDR損失のトップ$kの一貫性を確立することによって、一貫性と堅牢性の両方を含んでいる。 本稿では,各インスタンスのクラスラベルの雑音度に個別化温度パラメータを自動的に適応させる適応型LDR損失を提案する。
  論文  参考訳（メタデータ） (2021-12-30T00:27:30Z)

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。