論文の概要: CrossAlpha: An Annual-Report Benchmark for Cross-Market Factor Research

• arxiv url: http://arxiv.org/abs/2605.29286v1
• Date: Thu, 28 May 2026 03:11:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 00:00:30.940494
• Title: CrossAlpha: An Annual-Report Benchmark for Cross-Market Factor Research
• Title（参考訳）: CrossAlpha: クロスマーケット要因調査のための年次レポートベンチマーク
• Authors: Qian Wang, Zhongyi Tong, Nuo Chen, Zhaomin Wu, Bingsheng He,
• Abstract要約: CrossAlpha(クロスアルファ)は、クロスマーケットファクター研究のための年次ベンチマークである。 米国、日本、台湾、韓国、香港の企業約3600社、10700件の年次レポートをカバーし、約19万件のファームペアスコアを公表している。
• 参考スコア（独自算出の注目度）: 37.69213994484086
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cross-market factor research studies whether firm-level signals from one or more markets can predict returns in a target market, but existing public benchmarks do not support cross-market disclosure-to-return evaluation. Building such a benchmark is challenging because filings differ across languages and regulatory systems, disclosure-derived similarity can be biased by common reporting components, and cross-market signals must be evaluated under feasible trading-time alignment. We introduce \textbf{CrossAlpha}, a public annual-report benchmark for cross-market factor research. CrossAlpha addresses these challenges through three corresponding components: \emph{Disclosure Distillation}, which standardises heterogeneous filings into ten-category English business descriptions; \emph{Residual Schema Graph Construction}, which builds PCA-whitened cross-market firm-pair scores from schema-level disclosures; and \emph{Timing-Aligned Evaluation}, which pairs the graph with 11 years of daily OHLCV data to construct forward-return labels under feasible cross-market execution protocols. CrossAlpha covers about 3,600 firms and 10,700 firm-year reports from the United States, Japan, Taiwan, South Korea, and Hong Kong, and releases about 19M directed firm-pair scores. In experiments, disclosure-derived cross-market peers outperform domestic text, industry-code, and return-correlation peers in the US-to-Japan setting (ICIR 0.39 versus 0.07--0.18), and cross-market sources beat the domestic text baseline in most target markets. CrossAlpha offers an open-sourced, reusable, return-grounded benchmark for cross-market financial NLP.
• Abstract（参考訳）: 1つ以上の市場からのファームレベルシグナルが目標市場におけるリターンを予測することができるかどうかを、クロスマーケット要因による研究で調査するが、既存の公開ベンチマークでは、市場間の開示とリターンの評価はサポートしていない。 このようなベンチマークの構築は、言語や規制システムによって異なるため、開示に起因した類似性は、一般的なレポートコンポーネントによって偏りがあり、市場横断の信号は、可能なトレーディングタイムアライメントの下で評価されなければならないため、難しい。 クロスマーケットファクター研究のための年次公開ベンチマークである「textbf{CrossAlpha}」を紹介する。 ヘテロジニアスな申請を10カテゴリの英語ビジネス記述に標準化する \emph{Disclosure Distillation} と、スキーマレベルの開示からPCAでホワイト化されたクロスマーケットのファームペアスコアを構築する \emph{Residual Schema Graph Construction} と、このグラフを毎日11年のOHLCVデータと組み合わせて、市場横断実行プロトコルの下でフォワードリターンラベルを構築する \emph{Timing-Aligned Evaluation} である。 CrossAlphaは、米国、日本、台湾、韓国、香港から約3,600社、10,700件のファーム年次レポートをカバーし、約19万件のファームペアスコアを公表している。 実験では、日米間(ICIR 0.39 対 0.07--0.18 対 0.07--0.18 対 ICIR 0.39 対 ICIR 0.39 対 0.07--0.18)の国内版テキスト、業界コード、リターン相関のピアを上回っ、市場外の情報源がほとんどのターゲット市場で国内版テキストベースラインを上回った。 CrossAlphaは、オープンソースで再利用可能な、市場横断金融NLPのためのリターングラウンドベンチマークを提供する。

関連論文リスト

• From Knowing to Doing: A Memory-Controlled Benchmark for LLM Trading Agents on Stock Markets [34.699961175708815]
  KTD-Finは、エンドツーエンドの株式市場トレーディングベンチマークである。 歴史的市場記憶と投資決定を分離する。 Barraスタイルのパフォーマンス属性フレームワークが組み込まれている。
  論文  参考訳（メタデータ） (2026-05-27T11:57:10Z)
• ATBench: A Diverse and Realistic Agent Trajectory Benchmark for Safety Evaluation and Diagnosis [96.92417622318267]
  ATBenchは、エージェント安全性の構造化、多様性、現実的な評価のための軌道レベルのベンチマークである。 リスクソース、障害モード、現実世界の危害の3つの側面に沿ってエージェント的リスクを編成する。 1000個の軌道(安全503個、安全497個)があり、平均9.01ターンと3.95kトークンがあり、2,084個のツールにまたがるプールから1,954個のツールが呼び出されている。
  論文  参考訳（メタデータ） (2026-04-02T13:26:20Z)
• A Bipartite Graph Approach to U.S.-China Cross-Market Return Forecasting [14.426906283511746]
  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。
  論文  参考訳（メタデータ） (2026-03-11T09:07:15Z)
• Dual prototype attentive graph network for cross-market recommendation [11.836993581103107]
  クロスマーケットレコメンデータシステム(CMRS)は、先進国市場における多国籍製品の普及に歴史的データを活用することを目的としている。 既存のCMRSアプローチは、異なる市場のユーザー間で共有された嗜好の可能性を見落としていることが多い。 本稿では、この問題を解決するために、クロスマーケットレコメンデーション(DGRE)のためのDual Prototype Attentive Graph Networkを提案する。
  論文  参考訳（メタデータ） (2025-08-08T03:07:44Z)
• FinMarBa: A Market-Informed Dataset for Financial Sentiment Classification [0.0]
  本稿では,軽量大言語モデル (LLM) と深層強化学習 (DRL) を統合したポートフォリオ最適化のための新しい階層型フレームワークを提案する。 我々の3層アーキテクチャは、ベースRLエージェントを使用してハイブリッドデータを処理する。メタエージェントは意思決定を集約し、スーパーエージェントは市場データと感情分析に基づいて意思決定をマージする。 このフレームワークは毎年26%のリターンを達成し、シャープ比は1.2で、等級とS&P 500ベンチマークを上回っている。
  論文  参考訳（メタデータ） (2025-07-24T16:27:32Z)
• CSPRD: A Financial Policy Retrieval Dataset for Chinese Stock Market [61.59326951366202]
  我々は、中国株式政策検索データセット(CSPRD)を導入して、新たな課題である政策検索を提案する。 CSPRDは、中国の政策コーパスの10k以上の項目から、経験豊富な専門家によってラベル付けされた700以上のパスを提供する。 我々の最高のパフォーマンスベースラインは56.1% MRR@10、28.5% NDCG@10、37.5% Recall@10、80.6% Precision@10である。
  論文  参考訳（メタデータ） (2023-09-08T15:40:54Z)
• Deep Q-Learning Market Makers in a Multi-Agent Simulated Stock Market [58.720142291102135]
  本稿では,エージェント・ベースの観点から,これらのマーケット・メーカーの戦略に関する研究に焦点をあてる。 模擬株式市場における知的市場マーカー作成のための強化学習(Reinforcement Learning, RL)の適用を提案する。
  論文  参考訳（メタデータ） (2021-12-08T14:55:21Z)
• Cross-Market Product Recommendation [22.385250578972084]
  我々は、資源補助市場において、類似の富裕層からのデータを活用して、資源密閉市場の利用者に関連商品を推薦する問題について検討する。 我々は、市場適応というクロスマーケット製品レコメンデーションの問題を導入し、フォーマル化する。 我々は、市場適応が異なる市場に対する影響を研究する広範囲な実験を行っている。
  論文  参考訳（メタデータ） (2021-09-13T12:53:45Z)

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。