論文の概要: Institutional Equity Holdings Prediction Using Node Affinities of Dynamic Graphs

• arxiv url: http://arxiv.org/abs/2607.12067v1
• Date: Mon, 13 Jul 2026 18:40:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-15 17:08:29.934385
• Title: Institutional Equity Holdings Prediction Using Node Affinities of Dynamic Graphs
• Title（参考訳）: 動的グラフのノード親和性を用いた制度的等価ホールディング予測
• Abstract要約: 我々は、時間グラフ機械学習を用いて、将来のアロケーションを予測するための最初のベンチマークを紹介する。 この研究は、予測とポートフォリオ割り当てを保持するときの時間グラフ機械学習のための再現可能な基盤を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Institutional equity holdings disclosed in SEC Form 13F filings provide a rich temporal record of portfolio decisions by large investment managers. However, forecasting future allocations and modeling future demand remains challenging due to disclosure lags, reporting noise, and strong persistence in institutional behavior. We introduce the first benchmark for these tasks using temporal graph machine learning, framing holdings prediction as node affinity prediction -- i.e., forecasting portfolio weights -- on a discrete-time temporal bipartite graph of managers and securities extracted from preprocessed filings. On a sampled dataset comprising 99 managers and the S\&P 500 index (503 securities, 209,351 temporal edges across 48 quarters from 2013--2025), Node Affinity prediction model using Virtual State (NAVIS) achieves a state-of-the-art test Normalized Discounted Cumulative Gain (NDCG) of 0.9127 with features (0.9121 without), outperforming all dynamic graph representation learning competitors by a substantial margin, and outperforming all heuristic methods. Remarkably, a simple Exponential Moving Average baseline achieves 0.8882, surpassing all dynamic graph models except NAVIS and all heuristics except Persistent Forecast (0.8891), highlighting the strong smoothness and persistence of institutional portfolios. Domain-specific node features provide only marginal gains (<1.2\%), indicating that temporal and structural signals in the 13F ownership graph already capture most of the predictable information. By benchmarking a suite of Temporal Graph Benchmark (TGB) models under the node affinity prediction setting, both with and without features, on real-world 13F data, this work provides a reproducible foundation for temporal graph machine learning in holdings prediction and portfolio allocation.
• Abstract（参考訳）: SECフォーム13Fの提出書類で開示された機関的株式保有は、大規模な投資運用者によるポートフォリオ決定の豊富な時間的記録を提供する。 しかし, 情報開示の遅れ, 騒音の報告, 機関行動の持続性などにより, 将来の配分予測や将来の需要予測は依然として困難である。 本稿では, 時間グラフ機械学習を用いて, ノード親和性予測 (ノード親和性予測, ポートフォリオ重み予測) としてフレーミングホールディングス予測を用いて, 管理者と有価証券の離散時間二部グラフを用いて, これらのタスクの最初のベンチマークを紹介する。 99のマネージャとS\&P 500インデックス(2013年から2025年までの48クォーターにわたる503の証券、209,351の時間エッジ)からなるサンプルデータセットでは、仮想状態(NAVIS)を用いたノード親和性予測モデルが0.9127の最先端テストを達成する。 注目すべきは、単純な指数移動平均ベースラインが0.8882に達し、NAVIS以外の全ての動的グラフモデルと Persistent Forecast (0.8891) を除くすべてのヒューリスティックスを上回り、機関ポートフォリオの強い滑らかさと持続性を強調している。 13Fオーナシップグラフの時間的信号と構造的信号が既に予測可能な情報の大部分をキャプチャしていることを示す。 ノード親和性予測設定の下で時間グラフベンチマーク(TGB)モデルのスイートを実世界の13Fデータ上でベンチマークすることにより、予測とポートフォリオ割り当てを保持することで、時間グラフ機械学習の再現可能な基盤を提供する。

関連論文リスト

• Financial Numerical Prediction and Allocation as Token Generation [30.61787712148154]
  FinATOMは3段階のストックリターン予測と動的5-ETFアロケーションのための統合されたヘッドフリーインターフェースを導入している。 2023-2025年のETF試験では、プールされた粗利シャープを1.428から1.529へ、ネットシャープを1.394から1.494までの5-bpの取引コストモデルで改善した。 FinTexTSでは、SFTと政策戦略はそれぞれ73.52%/2.68と73.72%/2.69の累積リターン/eを達成する。
  論文  参考訳（メタデータ） (2026-08-10T17:33:10Z)
• FinVerse: Financial Time-Series Benchmark [13.359564942661251]
  ファイナンスドメインの時系列予測ベンチマークであるFinVerseを紹介し、より現実的な評価に向けて第一歩を踏み出した。 均一なポイント予測や確率的精度を重視した一般的な予測ベンチマークとは異なり、FinVerseは78評価指標からなる11のメトリクスファミリを定義している。 43の公共時系列予測基盤モデルを分析した結果, 総合予測基準下での強い性能が必ずしも有用な財務予測に変換されないことがわかった。
  論文  参考訳（メタデータ） (2026-08-04T07:32:42Z)
• Do Better Volatility Forecasts Lead to Better Portfolios? Evidence from Graph Neural Networks [0.0]
  本稿では,グラフニューラルネットワークが実現されたボラティリティ予測を改善するか,ポートフォリオ性能を改善するかを検討する。 2015年から2025年までの465株のS&P500株の毎週のボラティリティを用いて、マクロレシエーションの特徴のないローリング相関、セクター、およびグランガーカウサルグラフに基づいて構築されたグラフSAGEモデルと比較した。 実験的な発見は、最も低い予測MSEのモデル、最も高い断面積ランクの精度のモデル、そして最高ポートフォリオシャープ比のモデルが3つの異なるモデルであるということである。
  論文  参考訳（メタデータ） (2026-05-19T02:52:00Z)
• Bi-Level Chaotic Fusion Based Graph Convolutional Network for Stock Market Prediction Interval [0.0]
  金融市場の予測は本質的に不確実であるが、ほとんどのディープラーニングアプローチは不確実性のない単一見積もりに依存している。 この問題は予測間隔を用いて解くことができ、予測の不確実性と低い境界が得られる。 しかし、現在の手法は資産間の関係を無視したり、適切な校正シャープネスを確保することができない傾向にある。
  論文  参考訳（メタデータ） (2026-05-05T05:06:42Z)
• 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)
• PredNext: Explicit Cross-View Temporal Prediction for Unsupervised Learning in Spiking Neural Networks [70.1286354746363]
  Spiking Neural Networks (SNN)は、教師なし表現学習のための自然なプラットフォームを提供する。 現在の監視されていないSNNは、浅いアーキテクチャや局所的な可塑性ルールを採用しており、長期の時間的依存関係をモデル化する能力を制限する。 我々は,横断的なステップ予測とクリップ予測を通じて時間的関係を明示的にモデル化するPredNextを提案する。
  論文  参考訳（メタデータ） (2025-09-29T14:27:58Z)
• Estimating Time Series Foundation Model Transferability via In-Context Learning [74.65355820906355]
  時系列基礎モデル(TSFM)は、大規模な事前訓練を通じて強力なゼロショット予測を提供する。 微調整は、公開データに制限のあるドメインのパフォーマンス向上に依然として不可欠である。 モデル選択をコンテキスト内学習問題として再キャストする転送可能性推定フレームワークであるTimeTicを紹介する。
  論文  参考訳（メタデータ） (2025-09-28T07:07:13Z)
• F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
  本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。 タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。 従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
  論文  参考訳（メタデータ） (2024-06-23T21:28:50Z)
• 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)
• EasyDGL: Encode, Train and Interpret for Continuous-time Dynamic Graph Learning [92.71579608528907]
  本稿では,3つのモジュールから構成される使い勝手の良いパイプライン(EasyDGL)を設計することを目的とする。 EasyDGLは、進化するグラフデータからモデルが学習する周波数コンテンツの予測力を効果的に定量化することができる。
  論文  参考訳（メタデータ） (2023-03-22T06:35:08Z)
• NETpred: Network-based modeling and prediction of multiple connected market indices [8.122270502556372]
  我々は、複数の関連指標とその在庫を表す新しいグラフを生成する、NETpredというフレームワークを紹介した。 次に、状態空間の異なる部分をカバーし、価格の動きを正確に予測できる多様な代表ノードの集合を徹底的に選択する。 得られたモデルを使用して、最終的に集約されたストックラベルを予測し、グラフ内のすべてのインデックスノードのラベルを推測する。
  論文  参考訳（メタデータ） (2022-12-02T17:23:09Z)
• GCNET: graph-based prediction of stock price movement using graph convolutional network [8.122270502556372]
  GCNETは、その履歴データに基づいて、あらゆる相互作用する株式の価格変動の予測に適用できる一般的な予測フレームワークである。 S&P500 と NASDAQ の在庫セットに関する実験および評価の結果,GCNET はSOTA の性能を精度およびMCC 測定で著しく向上させることが示された。
  論文  参考訳（メタデータ） (2022-02-19T16:13:44Z)

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。