論文の概要: ACT: Anti-Crosstalk Learning for Cross-Sectional Stock Ranking via Temporal Disentanglement and Structural Purification
- arxiv url: http://arxiv.org/abs/2604.20204v1
- Date: Wed, 22 Apr 2026 05:39:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-23 15:36:10.978168
- Title: ACT: Anti-Crosstalk Learning for Cross-Sectional Stock Ranking via Temporal Disentanglement and Structural Purification
- Title（参考訳）: ACT:時間的絡み合いと構造的浄化によるクロスセクションストックランキングのためのアンチクロストーク学習
- Authors: Juntao Li, Liang Zhang,
- Abstract要約: クロスセクションの株価ランキングは、量的投資の基本的な課題である。
本稿では,時間的ゆがみと構造的浄化によるクロスセクションストックランキングのためのアンチクロストーク(ACT)フレームワークを提案する。
ACTは最先端のランキング精度と優れたポートフォリオパフォーマンスを実現し、CSI300データセットでは74.25%まで改善されている。
- 参考スコア（独自算出の注目度）: 36.36593000463782
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cross-sectional stock ranking is a fundamental task in quantitative investment, relying on both temporal modeling of individual stocks and the capture of inter-stock dependencies. While existing deep learning models leverage graph-based approaches to enhance ranking accuracy by propagating information over relational graphs, they suffer from a key challenge: crosstalk, namely unintended information interference across predictive factors. We identify two forms of crosstalk: temporal-scale crosstalk, where trends, fluctuations, and shocks are entangled in a shared representation and non-transferable local patterns contaminate cross-stock learning; and structural crosstalk, where heterogeneous relations are indiscriminately fused and relation-specific predictive signals are obscured. To address both issues, we propose the Anti-CrossTalk (ACT) framework for cross-sectional stock ranking via temporal disentanglement and structural purification. Specifically, ACT first decomposes each stock sequence into trend, fluctuation, and shock components, then extracts component-specific information through dedicated branches, which effectively decouples non-transferable local patterns. ACT further introduces a Progressive Structural Purification Encoder to sequentially purify structural crosstalk on the trend component after mitigating temporal-scale crosstalk. An adaptive fusion module finally integrates all branch representations for ranking. Experiments on CSI300 and CSI500 demonstrate that ACT achieves state-of-the-art ranking accuracy and superior portfolio performance, with improvements of up to 74.25% on the CSI300 dataset.
- Abstract（参考訳）: クロスセクションの株式ランキングは、個々の株式の時間的モデリングと株式間の依存関係の獲得の両方に依存する、量的投資の基本的なタスクである。
既存のディープラーニングモデルはグラフベースのアプローチを活用して、関係グラフ上の情報を伝達することでランキング精度を向上させるが、それらは重要な課題であるクロストーク、すなわち予測因子間の意図しない情報干渉に悩まされる。
異種関係が無差別に融合され、関係性特異的な予測信号が隠蔽される構造的クロストークと、共有表現に傾向、変動、衝撃が絡み合って、非伝達可能な局所パターンが相互学習を汚染する2種類のクロストークを識別する。
両課題に対処するため,時間的ゆがみと構造的浄化を通したクロスセクションストックランキングのための反クロストーク(ACT)フレームワークを提案する。
具体的には、ACTはまず各ストックシーケンスをトレンド、変動、ショックコンポーネントに分解し、その後専用のブランチを通してコンポーネント固有の情報を抽出し、非伝達可能な局所パターンを効果的に分離する。
ACTはさらに、時間スケールのクロストークを緩和した後、トレンドコンポーネント上の構造的クロストークを順次浄化するプログレッシブな構造的浄化エンコーダを導入している。
アダプティブフュージョンモジュールは最終的にランク付けのためのすべてのブランチ表現を統合する。
CSI300とCSI500の実験では、ACTが最先端のランキング精度と優れたポートフォリオパフォーマンスを達成し、CSI300データセットで最大74.25%の改善が示されている。
関連論文リスト
- Stochastic Event Prediction via Temporal Motif Transitions [0.0]
時間的リンク予測手法は、通常、タスクを負のサンプリングを伴うバイナリ分類として表す。
本稿では、時系列リンク予測を連続時間における逐次予測問題として再構成するフレームワークSTEP(Stochastic Event Predictor)を紹介する。
論文 参考訳（メタデータ） (2026-03-06T03:51:40Z) - Structure-Aware Contrastive Learning with Fine-Grained Binding Representations for Drug Discovery [3.1716746406651457]
この研究は、構造的先駆体をタンパク質表現に統合する配列に基づく薬物-標的相互作用フレームワークを導入する。
このモデルはHumanおよびBioSNAPデータセットの最先端のパフォーマンスを実現し、BindingDBと競合する。
論文 参考訳（メタデータ） (2025-09-18T09:38:46Z) - FreRA: A Frequency-Refined Augmentation for Contrastive Learning on Time Series Classification [56.925103708982164]
周波数領域からの新たな視点を示し、ダウンストリーム分類の利点として、グローバル、独立、コンパクトの3つを識別する。
本稿では,分類タスクにおける時系列のコントラスト学習に適した,軽量で効果的な周波数補充拡張(FreRA)を提案する。
FreRAは、時系列分類、異常検出、転送学習タスクにおいて、常に10つの主要なベースラインを上回ります。
論文 参考訳（メタデータ） (2025-05-29T07:18:28Z) - Multi-Modality Representation Learning for Antibody-Antigen Interactions Prediction [6.681379194115459]
グラフアテンションネットワークを利用してグラフレベルの構造特徴を照らし、正規化適応グラフ畳み込みネットワークを用いて抗体間の配列関係を捕捉するAAI予測フレームワークであるMuLAAIPを提案する。
以上の結果から, MuLAAIP は現在の最先端手法よりも予測性能に優れていたことが示唆された。
論文 参考訳（メタデータ） (2025-03-22T06:23:51Z) - Local Consensus Enhanced Siamese Network with Reciprocal Loss for
Two-view Correspondence Learning [35.5851523517487]
2視点対応学習は通常、一致の信頼性と相対的なポーズを共同で予測するエンドツーエンドネットワークを確立する。
本稿では,既存のモデルの特徴を増強するローカル・フィーチャー・コンセンサス (LFC) プラグイン・ブロックを提案する。
我々は既存のモデルを相互予測の監督を生かした相互損失を伴うシームズネットワークに拡張する。
論文 参考訳（メタデータ） (2023-08-06T22:20:09Z) - Skeleton-based Action Recognition through Contrasting Two-Stream
Spatial-Temporal Networks [11.66009967197084]
本稿では,空間的および時間的モジュールを並列に融合するContrastive GCN-Transformer Network(ConGT)を提案する。
我々は3つのベンチマークデータセットで実験を行い、このモデルが動作認識における最先端のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2023-01-27T02:12:08Z) - Masked Transformer for Neighhourhood-aware Click-Through Rate Prediction [74.52904110197004]
本稿では,近隣相互作用に基づくCTR予測を提案し,そのタスクを異種情報ネットワーク(HIN)設定に組み込む。
周辺地域の表現を高めるために,ノード間のトポロジカルな相互作用を4種類検討する。
本研究では,2つの実世界のデータセットに関する総合的な実験を行い,提案手法が最先端のCTRモデルを大幅に上回ることを示す。
論文 参考訳（メタデータ） (2022-01-25T12:44:23Z) - Continuous-Time Sequential Recommendation with Temporal Graph
Collaborative Transformer [69.0621959845251]
本稿では,定義した連続時間二部グラフ上での時間グラフシーケンスレコメンダ(TGSRec)を提案する。
TCTレイヤは、ユーザとアイテムの両方からの協調的な信号を同時にキャプチャすると同時に、シーケンシャルパターン内の時間的ダイナミクスも考慮する。
5つのデータセットの実証結果は、TGSRecが他のベースラインを大幅に上回っていることを示している。
論文 参考訳（メタデータ） (2021-08-14T22:50:53Z) - Predicting Temporal Sets with Deep Neural Networks [50.53727580527024]
本稿では,時間集合予測のためのディープニューラルネットワークに基づく統合解を提案する。
ユニークな視点は、セットレベルの共起グラフを構築することで要素関係を学ぶことである。
我々は,要素や集合の時間依存性を適応的に学習するアテンションベースのモジュールを設計する。
論文 参考訳（メタデータ） (2020-06-20T03:29:02Z) - Cascaded Human-Object Interaction Recognition [175.60439054047043]
マルチステージで粗大なHOI理解のためのカスケードアーキテクチャを提案する。
各段階で、インスタンスローカライゼーションネットワークは、HOI提案を段階的に洗練し、インタラクション認識ネットワークにフィードする。
慎重に設計された人間中心の関係機能により、これらの2つのモジュールは効果的な相互作用理解に向けて協調的に機能する。
論文 参考訳（メタデータ） (2020-03-09T17:05:04Z)
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。