論文の概要: LambdaRankIC: Directly Optimizing Rank IC for Financial Prediction

• arxiv url: http://arxiv.org/abs/2605.00501v1
• Date: Fri, 01 May 2026 08:24:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 17:43:28.907765
• Title: LambdaRankIC: Directly Optimizing Rank IC for Financial Prediction
• Title（参考訳）: LambdaRankIC:財務予測にランクICを直接最適化
• Authors: Yan Lin, Yihong Su, Yi Yang,
• Abstract要約: 財務予測では、機械学習モデルの性能はランクICによって評価されることが多い。 ランクICを直接最適化する新しい学習 to ランクアプローチであるLambdaRankICを提案する。 シミュレーションデータと実世界の財務データの両方について,提案手法の評価を行った。
• 参考スコア（独自算出の注目度）: 8.50639201265868
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In financial predictions, the performance of machine learning models is often assessed by Rank IC, which is the Spearman rank correlation between the model predictions and the realized asset returns. Despite its wide adoption, most existing models are trained using regression losses or ranking objectives that may not align with Rank IC. We propose LambdaRankIC, a novel learning-to-rank approach that directly optimizes Rank IC. We circumvent the non-differentiability of the ranking operator by deriving the closed-form expression for the lambda gradients induced by the pairwise rank swaps, which enables efficient gradient-based optimization within the LambdaRank framework. We implement LambdaRankIC as a custom objective in XGBoost. Theoretically, we show that our approach optimizes an upper bound on Rank IC. We evaluate the proposed approach on both simulated and real-world financial data. In simulation studies, LambdaRankIC accurately recovers the true ranking structure in noiseless settings and consistently outperforms regression-based and NDCG-oriented ranking methods under low signal-to-noise ratios and heavy-tailed noise regimes. In empirical experiments using real market data, LambdaRankIC achieves the best out-of-sample performance on evaluation metrics commonly used in finance, including Rank IC, ICIR, monthly return, and Sharpe ratio. These results show that directly optimizing Rank IC can yield substantial improvements over conventional learning objectives in financial predictions when the full-order ranking quality is the primary goal.
• Abstract（参考訳）: 財務予測において、機械学習モデルの性能は、モデル予測と実現された資産返却の間のスピアマンランクの相関であるランクICによって評価されることが多い。 広く採用されているにもかかわらず、既存のモデルのほとんどは、リグレッション損失やランクICと一致しないようなランク付け目標を用いて訓練されている。 ランクICを直接最適化する新しい学習 to ランクアプローチであるLambdaRankICを提案する。 我々は、ペアのランクスワップによって誘導されるラムダ勾配の閉形式式を導出することにより、ランク演算子の非微分性を回避し、LambdaRankフレームワーク内で効率的な勾配に基づく最適化を可能にする。 我々は、XGBoostのカスタム目的としてLambdaRankICを実装します。 理論的には,提案手法はランクICの上界を最適化する。 シミュレーションデータと実世界の財務データの両方について,提案手法の評価を行った。 シミュレーション研究において、LambdaRankICはノイズレス環境での真のランキング構造を正確に復元し、低信号対雑音比と重テール雑音条件下での回帰ベースおよびNDCG指向のランキング法を一貫して上回っている。 実市場データを用いた実証実験では、LambdaRankICは、ランクIC、ICIR、月次リターン、シャープ比率など、金融で一般的に使用される評価指標において、最高のアウトオブサンプルパフォーマンスを達成する。 これらの結果から, ランキングICを直接最適化することで, ランキング品質が第一の目標である場合の財務予測において, 従来の学習目標よりも大幅に向上することが示唆された。

関連論文リスト

• Metric-agnostic Learning-to-Rank via Boosting and Rank Approximation [33.0347118359824]
  そこで本研究では,各クエリの平均平方損失に対してスムーズな近似を組み合わした,新たな微分可能なランキング損失を提案する。 本手法は,情報検索における現状と同等の効率で性能を向上する。
  論文  参考訳（メタデータ） (2026-04-16T14:59:00Z)
• RewardRank: Optimizing True Learning-to-Rank Utility [28.662272762911325]
  本稿では,RewardRankを紹介した。 この結果から, 対実的ユーティリティの直接最適化として, 学習からランクへの変換が可能であることが示唆された。
  論文  参考訳（メタデータ） (2025-08-19T18:08:35Z)
• In-context Ranking Preference Optimization [65.5489745857577]
  In-context Ranking Preference Optimization (IRPO) フレームワークを提案する。 IRPOは標準のDPO手法よりも高い性能を示し、LLMと直接文脈内ランキング設定の整合性を強調した。
  論文  参考訳（メタデータ） (2025-04-21T23:06:12Z)
• RaCT: Ranking-aware Chain-of-Thought Optimization for LLMs [30.216174551427443]
  大規模言語モデル(LLM)は、テキスト再ランクタスクにおいて顕著な可能性を示している。 LLMをランク付けタスクに特化するための従来の微調整手法は、しばしばモデルの汎用能力を著しく低下させる。 本稿では,CoT(Chain-of-Thought)と革新的な2段階トレーニングパイプラインを戦略的に組み合わせた手法を提案する。
  論文  参考訳（メタデータ） (2024-12-18T23:24:15Z)
• Preference Learning Algorithms Do Not Learn Preference Rankings [62.335733662381884]
  選好学習は、好ましくない出力よりも、好ましくない出力により高い確率を割り当てるようにモデルを訓練する、という従来の知恵を考察する。 多くの最先端の選好調整モデルでは、一般的な選好データセットでは60%未満のランキング精度が得られている。
  論文  参考訳（メタデータ） (2024-05-29T21:29:44Z)
• Lower-Left Partial AUC: An Effective and Efficient Optimization Metric for Recommendation [52.45394284415614]
  我々は,AUCのように計算効率が良く,Top-Kランキングの指標と強く相関する新しい最適化指標であるLLPAUCを提案する。 LLPAUCはローワーレフト角のROC曲線の下の部分領域のみを考慮し、最適化はトップKに焦点をあてる。
  論文  参考訳（メタデータ） (2024-02-29T13:58:33Z)
• Learning Fair Ranking Policies via Differentiable Optimization of Ordered Weighted Averages [55.04219793298687]
  本稿では,学習からランクへの学習ループに,効率よく解ける公正ランキングモデルを組み込む方法について述べる。 特に,本論文は,OWA目標の制約された最適化を通じてバックプロパゲーションを行う方法を示す最初のものである。
  論文  参考訳（メタデータ） (2024-02-07T20:53:53Z)
• Adaptive Neural Ranking Framework: Toward Maximized Business Goal for Cascade Ranking Systems [33.46891569350896]
  カスケードランキングは、オンライン広告とレコメンデーションシステムにおける大規模なトップk選択問題に広く使われている。 それまでの学習からランクへの取り組みは、モデルに完全な順序やトップクオーダを学習させることに重点を置いていた。 我々はこの手法をアダプティブ・ニューラルランキング・フレームワーク (Adaptive Neural Ranking Framework, ARF) と命名する。
  論文  参考訳（メタデータ） (2023-10-16T14:43:02Z)

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。