論文の概要: Vector-Quantized Discrete Latent Factors Meet Financial Priors: Dynamic Cross-Sectional Stock Ranking Prediction for Portfolio Construction

• arxiv url: http://arxiv.org/abs/2605.13407v1
• Date: Wed, 13 May 2026 12:02:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:28.029504
• Title: Vector-Quantized Discrete Latent Factors Meet Financial Priors: Dynamic Cross-Sectional Stock Ranking Prediction for Portfolio Construction
• Title（参考訳）: ベクトル量子化離散遅延因子と金融プライオリティ--ポートフォリオ構築のための動的クロスセクションストックランキング予測
• Authors: Namhyoung Kim, Jae Wook Song,
• Abstract要約: PRISM-VQ (PRior-Informed Stock Model with Vector Quantization) は、専門家の事前因子、断面構造から学習されたベクトル量子化潜在因子、および時間変化の要因負荷を生成する構造条件付き混合要素を統合する動的因子フレームワークである。 CSI 300とS&P 500の実験では、解釈可能性を維持しながら、強いベースラインよりも断続的なリターン予測とポートフォリオパフォーマンスが一貫して改善されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting cross-sectional stock returns is challenging due to low signal-to-noise ratios and evolving market regimes. Classical factor models offer interpretability but limited flexibility, while deep learning models achieve strong performance yet often underutilize financial priors. We address this gap with PRISM-VQ (PRior-Informed Stock Model with Vector Quantization), a dynamic factor framework that integrates expert prior factors, vector-quantized discrete latent factors learned from cross-sectional structure, and a structure-conditioned Mixture-of-Experts to generate time-varying factor loadings. Vector quantization acts as an information bottleneck that suppresses noise while capturing robust market structure, with discrete codes serving both as latent factors and as routing signals for temporal expert specialization. Experiments on CSI 300 and S&P 500 show consistent improvements in cross-sectional return prediction and portfolio performance over strong baselines while preserving interpretability. Our code is available at https://github.com/finxlab/PRISM-VQ.
• Abstract（参考訳）: 信号と雑音の比率が低く、市場体制が進化しているため、横断的な株価リターンの予測は困難である。 古典的ファクターモデルは解釈可能性を提供するが、柔軟性は限られている。 本稿では,PRISM-VQ(Pior-Informed Stock Model with Vector Quantization),専門的事前因子を統合する動的因子フレームワーク,クロスセクション構造から学習したベクトル量子化離散潜在因子,時間変化要因のロードを生成する構造条件付きMixture-of-Expertsを用いて,このギャップに対処する。 ベクトル量子化は、頑健な市場構造を捉えながらノイズを抑制する情報ボトルネックとして機能し、離散符号は潜時的要因と時間的専門家専門化のためのルーティング信号の両方として機能する。 CSI 300とS&P 500の実験では、解釈可能性を維持しながら、強いベースラインよりも断続的なリターン予測とポートフォリオパフォーマンスが一貫して改善されている。 私たちのコードはhttps://github.com/finxlab/PRISM-VQ.comで公開されています。

関連論文リスト

• MarketGANs: Multivariate financial time-series data augmentation using generative adversarial networks [4.104902299123294]
  MarketGANは、高密度データ不足下での高次元アセットリターン生成のための因子ベースの生成フレームワークである。 経済的帰納バイアスとして明示的な資産価格因子構造を組み込み、単一のジョイントベクトルとしてリターンを生成する。 米国株の日次リターンを利用して、MarketGANは資産リターンの実証的なスタイルの事実とより密に一致している。
  論文  参考訳（メタデータ） (2026-01-25T10:19:04Z)
• Quantum Temporal Convolutional Neural Networks for Cross-Sectional Equity Return Prediction: A Comparative Benchmark Study [8.777151099203934]
  QTCNN(Quantum Temporal Convolutional Neural Network)は、古典的時間的エンコーダとパラメータ効率の高い量子畳み込み回路を結合して、断面的等価リターン予測を行う。 QTCNNはシャープ比0.538を達成し、古典的ベースラインを約72%上回っている。 これらの結果は、量子化予測モデルであるQTCNNの量的ファイナンスにおける堅牢な意思決定における実用可能性を強調している。
  論文  参考訳（メタデータ） (2025-12-07T02:34:24Z)
• FactorGCL: A Hypergraph-Based Factor Model with Temporal Residual Contrastive Learning for Stock Returns Prediction [16.70420232738428]
  時間的残留的コントラスト学習(FactorGCL)を用いたハイパーグラフに基づく因子モデルを提案する。 ストックリターンを予測するために, 人為的に設計された先行要因を補う隠蔽因子を抽出するために, カスケード残差ハイパーグラフアーキテクチャを設計する。 実株市場データに関する我々の実験は、FacterGCLが既存の最先端手法より優れていることを示している。
  論文  参考訳（メタデータ） (2025-02-05T12:37:15Z)
• STORM: A Spatio-Temporal Factor Model Based on Dual Vector Quantized Variational Autoencoders for Financial Trading [55.02735046724146]
  金融取引では、ファクターモデルが資産の価格設定や過大なリターンの獲得に広く利用されている。 双対ベクトル量子化変分オートエンコーダを用いた時空間ファクトラーモデルSTORMを提案する。 ストームは時間的および空間的な視点からストックの特徴を抽出し、これらの特徴を微細で意味的なレベルで融合し整列させ、その要素を多次元の埋め込みとして表現する。
  論文  参考訳（メタデータ） (2024-12-12T17:15:49Z)
• 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)
• Factor Investing with a Deep Multi-Factor Model [123.52358449455231]
  我々は、業界中立化と市場中立化モジュールを明確な財務見識をもって取り入れた、新しい深層多要素モデルを開発する。 実世界の株式市場データによるテストは、我々の深層多要素モデルの有効性を示している。
  論文  参考訳（メタデータ） (2022-10-22T14:47:11Z)
• Risk budget portfolios with convex Non-negative Matrix Factorization [0.0]
  凸非負行列因子化(NMF)を用いたリスクファクタの予算化に基づくポートフォリオ割当手法を提案する。 我々は、暗号通貨と伝統的資産の2つの長期的グローバルポートフォリオを対象とするボラティリティの文脈で、我々の手法を評価する。
  論文  参考訳（メタデータ） (2022-04-06T12:02:15Z)

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。