論文の概要: Quant Convergence: Bridging Classical Value Investing and Modern Factor Models for Systematic Equity Selection

• arxiv url: http://arxiv.org/abs/2606.24575v1
• Date: Tue, 23 Jun 2026 13:40:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 22:16:48.971134
• Title: Quant Convergence: Bridging Classical Value Investing and Modern Factor Models for Systematic Equity Selection
• Title（参考訳）: 量子収束:古典的価値投資と体系的等価選択のための現代因子モデル
• Authors: Augusto Eiji Yamazaki, Hugo Garrido-Lestache Belinchon,
• Abstract要約: 現代の金融は、株式市場でパターンを見つけるために複雑な機械学習モデルに大きく依存している。 我々は、ベンジャミン・グラハムの古典的な価値投資ルールが数学的「ローパスフィルタ」として機能するかどうかをテストするために、この研究を設計した。 私たちは、純粋なGrahamルール、現代的な市場要因、両方の組み合わせという、3つの異なる機能セットを構築しました。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Modern finance relies heavily on complex machine learning models to find patterns in the stock market. However, as these AI models get more complicated, they often memorize short-term market noise instead of finding companies with real, lasting value. We designed this research to test if Benjamin Graham's classic value investing rules could act as a mathematical "low-pass filter" to keep these modern models in check. We built three different sets of features - pure Graham rules, modern market factors, and a mix of both - and tested them against highly complex models (XGBoost and AutoGluon) using 20 years of S&P 500 data. By applying a strict buy-and-hold strategy over a four-year test period (March 2022 to March 2026), the results showed that more complex algorithms do not always win. While the AutoGluon model captured high returns (222.68%), it suffered a substantial 39.78% drop because it bought volatile tech stocks right before the market crashed. On the other hand, the pure Graham Random Forest achieved the highest overall return (232.13%) with much less risk (1.38 Calmar Ratio). Furthermore, the Combined Random Forest successfully mixed momentum with Graham's rules, making a 202.91% return while keeping the lowest maximum drop (34.53%) of any model tested. Ultimately, this research proves that Graham's "margin of safety" isn't outdated; it is actually a highly effective way to prevent modern AI from taking on too much risk.
• Abstract（参考訳）: 現代の金融は、株式市場でパターンを見つけるために複雑な機械学習モデルに大きく依存している。 しかし、これらのAIモデルはより複雑になるにつれて、真の価値が持続する企業を見つける代わりに、短期的な市場ノイズを記憶することが多い。 この研究は、ベンジャミン・グラハムの古典的な価値投資ルールが、これらの近代モデルをチェックするために数学的「ローパスフィルタ」として機能するかどうかをテストするために設計された。 私たちは、純粋なGrahamルール、現代的な市場要因、両方の組み合わせの3つの異なる機能セットを構築し、20年間のS&P 500データを使用して、非常に複雑なモデル(XGBoostとAutoGluon)に対してテストしました。 4年間の試験期間(2022年3月から2026年3月まで)に厳格な買い取り戦略を適用することで、より複雑なアルゴリズムが常に勝つとは限らないことを示した。 オートグルーオンは高いリターン(222.68%)を獲得したが、市場の崩壊直前に揮発性技術株を購入したために39.78%の下落を喫した。 一方、純粋なグラハム・ランダム・フォレストは232.13%であり、リスクははるかに少ない(1.38カルマー比)。 さらに、コンバインドランダムフォレストはグラハムのルールと勢いを合わせて202.91%のリターンを達成し、テストされたどのモデルでも最低値(34.53%)を維持した。 最終的にこの研究は、グレアムの「安全の海」が時代遅れではないことを証明しています。

関連論文リスト

• Strat-LLM: Stratified Strategy Alignment for LLM-based Stock Trading with Real-time Multi-Source Signals [1.4732811715354455]
  Strat-LLM は Stratified Strategy Alignment の基盤となるフレームワークである。 2025年を通してライブフォワードで活動している。 シーケンシャルな価格、リアルタイムニュース、年次レポートなどのデータを統合している。
  論文  参考訳（メタデータ） (2026-05-07T11:17:23Z)
• Multimodal RewardBench 2: Evaluating Omni Reward Models for Interleaved Text and Image [58.14192385042352]
  マルチモーダル・リワードベンチ2(MMRB2)は,マルチモーダル理解と(インターリーブされた)生成に対する報酬モデルの最初のベンチマークである。 MMRB2はテキスト・ツー・イメージ、画像編集、インターリーブド・ジェネレーション、マルチモーダル推論の4つのタスクにまたがる。 21のソースタスクにわたる23のモデルとエージェントから、タスク毎に1000のエキスパートアノテートされた好みペアを提供する。
  論文  参考訳（メタデータ） (2025-12-18T18:56:04Z)
• Goedel-Prover-V2: Scaling Formal Theorem Proving with Scaffolded Data Synthesis and Self-Correction [95.91743732150233]
  一連のオープンソースの言語モデルであるGoedel-Prover-V2は、自動定理の新たな最先端を証明した。 我々は、より複雑な定理をマスターするためにモデルを訓練することの困難さを増す合成タスクを生成する。 Goedel-Prover-V2-32Bは、標準モードのpass@32でMiniF2Fの88.1%、自己補正モードの90.4%を達成する。
  論文  参考訳（メタデータ） (2025-08-05T16:28:22Z)
• Markets with Heterogeneous Agents: Dynamics and Survival of Bayesian vs. No-Regret Learners [3.985264439635754]
  資産市場における異種学習エージェントのパフォーマンスをペイオフで分析する。 驚いたことに、低い後悔は生き残るには不十分だ。 非回帰学習は環境に関する知識を少なくするので、より堅牢である。
  論文  参考訳（メタデータ） (2025-02-12T17:34:04Z)
• Achilles, Neural Network to Predict the Gold Vs US Dollar Integration with Trading Bot for Automatic Trading [0.0]
  アキレスはLSTM(Long Short Term Memory)ニューラルネットワークの古典的なアーキテクチャで、ゴールド対USDのコモディティを予測することができる。 テスト期間の終わりに、使用する方法論で1623.52の利益を上げました。
  論文  参考訳（メタデータ） (2024-10-13T00:45:30Z)
• Combining supervised and unsupervised learning methods to predict financial market movements [0.0]
  創発的で確立した金融市場から抽出した新たな特徴を同定する。 私たちは、Bitcoin、Pepecoin、Nasdaqの市場からのマイクロロウソクで構成される約6ヶ月のデータを使用しました。 我々は、市場の動きを分類するためにランダムフォレスト(RF)やK-Nearest Neighbours(KNN)など、さまざまな機械学習戦略の性能について検討した。
  論文  参考訳（メタデータ） (2024-08-19T13:17:36Z)
• Short-Term Stock Price Forecasting using exogenous variables and Machine Learning Algorithms [3.2732602885346576]
  この研究論文は、2020年3月から2022年5月までにニューヨークで取引された3つの有名な株の予測において、4つの機械学習モデルとそれらの精度を比較した。 我々は,XGBoost,Random Forest,Multi-layer Perceptron,Support Vector Regressionモデルをデプロイし,開発し,チューニングする。 XGBoostは、240のトレーディングデイからなるトレーニングデータセットを使用して、より長い実行にもかかわらず、最も高い精度を提供する。
  論文  参考訳（メタデータ） (2023-05-17T07:04:32Z)
• Quantum computational finance: martingale asset pricing for incomplete markets [69.73491758935712]
  金融の価格問題に様々な量子技術を適用することができることを示す。 従来の研究と異なる3つの方法について議論する。
  論文  参考訳（メタデータ） (2022-09-19T09:22:01Z)
• Stock Price Prediction Under Anomalous Circumstances [81.37657557441649]
  本稿では,異常な状況下での株価の変動パターンを捉えることを目的とする。 ARIMAとLSTMのモデルは、シングルストックレベル、業界レベル、一般市場レベルでトレーニングします。 2016年から2020年にかけての100社の株価に基づいて、平均予測精度は98%に達した。
  論文  参考訳（メタデータ） (2021-09-14T18:50:38Z)
• Exploring Sparse Expert Models and Beyond [51.90860155810848]
  Mixture-of-Experts (MoE) モデルは、無数のパラメータを持つが、一定の計算コストで有望な結果が得られる。 本稿では,専門家を異なるプロトタイプに分割し,上位1ドルのルーティングに$k$を適用する,エキスパートプロトタイピングというシンプルな手法を提案する。 この戦略は, モデル品質を向上させるが, 一定の計算コストを維持するとともに, 大規模モデルのさらなる探索により, 大規模モデルの訓練に有効であることが示唆された。
  論文  参考訳（メタデータ） (2021-05-31T16:12:44Z)

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。