論文の概要: Interpretable Factor Decomposition for Decision Intelligence in Large-Scale Financial Markets: Evidence from China's A-Share Market

• arxiv url: http://arxiv.org/abs/2606.12843v1
• Date: Thu, 11 Jun 2026 03:11:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-12 15:55:27.557608
• Title: Interpretable Factor Decomposition for Decision Intelligence in Large-Scale Financial Markets: Evidence from China's A-Share Market
• Title（参考訳）: 大規模金融市場における意思決定インテリジェンスのための解釈可能な因子分解--中国のAシェア市場からの証拠
• Authors: Xiao Han, Yao Xiao, Zhen Zhang, Moxuan Zheng,
• Abstract要約: 逐次等価度予測能力を聴覚因子の寄与に分解する。 XGBoostは、55ヶ月のアウト・オブ・サンプルデータに60ヶ月のローリング・ウィンドウを使用し、平均AUCは0.547と+2.38%/月である。 SHAP分解は、行動信号(回転と運動量)が予測帰属の58.2%を占め、評価比は10.7%であることを示している。
• 参考スコア（独自算出の注目度）: 15.815059095188596
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present an interpretable machine learning pipeline to decompose Cross-Sectional Equity Return Predictability into auditable factor contribution. We apply an XGBoost model with TreeSHAP attribution and conduct stress testing on 3632 Chinese A-share stocks from 2009 until 2019. Using 60-month, rolling windows over 55 months of out-of-sample data, XGBoost obtains a mean AUC of 0.547 and +2.38%/month (Newey-West t = 5.94; Annualized Sharpe 2.23) long-short spread for the top vs bottom quintiles. This alpha is persistent after adjusting for the Carhart four-factor model (+2.31%/month; t = 7.48). SHAP Decomposition indicates that behavioral signals (turnover and momentum) account for 58.2% of predictive attribution compared to 10.7% for valuation ratios, on average, across 55 industry groups. Ablation analysis serves to cross-validate this ranking and provides evidence that SHAP and ablation diverge in a manner that highlights feature substitutability structure that is largely invisible to either method used in isolation.
• Abstract（参考訳）: そこで本稿では,クロスセクショナル・エクイティ・リターン予測能力を聴覚因子の寄与に分解するための解釈可能な機械学習パイプラインを提案する。 我々は2009年から2019年にかけて、TreeSHAPによるXGBoostモデルを適用し、中国のA株3632株に対してストレステストを実施している。 XGBoostは、55ヶ月のアウト・オブ・サンプルデータで、平均AUCは0.547と+2.38%/月(Newey-West t = 5.94; Annualized Sharpe 2.23)で、トップとボトムのクインタイルに長短に広がる。 このアルファはカーハートの4要素モデル(+2.31%/月; t = 7.48)を調整した後に持続する。 SHAP分解は、行動信号(転倒と運動量)が予測属性の58.2%を占め、平均で55の業界グループで10.7%であることを示している。 アブレーション分析は、このランクの相互検証に役立ち、SHAPとアブレーションが分離で使用されるどちらの方法にもほとんど見えない特徴置換性構造を強調する方法で分岐する証拠を提供する。

関連論文リスト

• Knowledge Index of Noah's Ark [63.143852586221534]
  KINAは,261分野にわたる899項目のベンチマークである。 ボーナス・オン・バートーナメントがFOSDを弱く支配していることを示す。 トップモデルであるGemini-3.1-Pro-Previewは53.17%、Claude-Opus-4.6は49.92%、GPT-5.4は48.55%に達した。
  論文  参考訳（メタデータ） (2026-06-03T17:06:49Z)
• FIPO: Eliciting Deep Reasoning with Future-KL Influenced Policy Optimization [84.58281577727566]
  本稿では,大規模言語モデルにおける推論ボトルネックを克服する強化学習アルゴリズムであるFuture-KL Influenced Policy Optimization (FIPO)を提案する。 FIPOは、割引先KLの分岐をポリシー更新に組み込むことでこの問題に対処し、その後の軌道行動への影響に基づいてトークンを再重み付けする密集した有利な定式化を作成する。 Qwen2.5-32Bで評価され、FIPOは平均チェーン長を約4,000から10,000以上のトークンに拡張し、AIME 2024 Pass@1の精度を50.0%から58.0%に向上させた。
  論文  参考訳（メタデータ） (2026-03-20T10:24:50Z)
• Interpretable Hypothesis-Driven Trading:A Rigorous Walk-Forward Validation Framework for Market Microstructure Signals [0.0]
  我々は,アルゴリズム取引のためのウォークフォワード・バリデーション・フレームワークを開発した。 我々の手法は、解釈可能な仮説駆動信号生成と強化学習と厳密なサンプル外テストを組み合わせる。 このフレームワークは厳密な情報セットの規律を強制し、34の独立したテスト期間にわたるロールウインドウ検証を採用し、自然言語の仮説による完全な解釈可能性を維持している。
  論文  参考訳（メタデータ） (2025-12-15T02:20:42Z)
• Statistical Arbitrage in Polish Equities Market Using Deep Learning Techniques [0.0]
  我々は,一般的な統計アービタージュ手法であるペアズ・トレーディング(Pairs Trading)の体系的アプローチについて検討した。 第2の資産をリスクファクター表現を使用した第1の複製に置き換える。 Avellaneda と Lee (2008) の枠組みをポーランド市場に適用する。
  論文  参考訳（メタデータ） (2025-11-20T21:09:34Z)
• Does higher interpretability imply better utility? A Pairwise Analysis on Sparse Autoencoders [63.544453925182005]
  3つの言語モデルで90のSAEをトレーニングし、解釈可能性と操舵性を評価します。 解析の結果,比較的弱い正の相関(tau b approx 0.298)しか示さず,解釈性は操舵性能の指標として不十分であることが示唆された。 本稿では,特徴量の増幅が次のトークン分布に与える影響を計測するデルタトークン信頼性(Delta Token Confidence)という新しい選択基準を提案する。
  論文  参考訳（メタデータ） (2025-10-04T04:14:50Z)
• A Framework for Predictive Directional Trading Based on Volatility and Causal Inference [0.0]
  本研究では,金融市場における予測的リードラグ関係の同定と活用のための新しい枠組みを提案する。 本稿では,高度な統計手法と機械学習モデルを組み合わせた統合的手法を提案する。
  論文  参考訳（メタデータ） (2025-07-12T16:53:32Z)
• Interpretable Machine Learning for Macro Alpha: A News Sentiment Case Study [1.57731592348751]
  我々は、FinBERTを用いて、GDELT(Global Database of Events, Language, and Tone)プロジェクトの世界中のニュースフィードを処理する。 平均音、分散、事象の影響を取り入れた毎日の感情指標を構築した。 これらの指標は、ロジスティック回帰に対してベンチマークされたXGBoostを駆動し、次の日のリターンを予測する。
  論文  参考訳（メタデータ） (2025-05-22T02:24:45Z)
• Scalable Reinforcement Post-Training Beyond Static Human Prompts: Evolving Alignment via Asymmetric Self-Play [52.3079697845254]
  evaは、オフラインとオンラインのRLポストトレーニングの両方で、言語モデルがトレーニングプロンプトを適応的に作成できるようにする最初の方法である。 我々は,エバが有効なRLキュリキュラを作成でき,アブレーションにまたがって堅牢であることを示す。
  論文  参考訳（メタデータ） (2024-10-31T08:15:32Z)
• Feature Learning for Stock Price Prediction Shows a Significant Role of Analyst Rating [0.38073142980733]
  5つの技術的指標と23の基本的な指標が特定され、株式市場で過剰なリターンを生み出す可能性を確立した。 いずれの日でも、将来的には、価格変化の方向を1%から10日間まで予測することができました。 予測の精度は83.62%で、購入信号の精度は85%、販売信号のリコールは100%であった。
  論文  参考訳（メタデータ） (2021-03-13T03:56:29Z)

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。