論文の概要: STN-TGAT: Top-K Portfolio Construction via Prior-Guided Graph Attention with Learnable Soft-Threshold Sparsification
- arxiv url: http://arxiv.org/abs/2607.19385v1
- Date: Wed, 01 Jul 2026 13:05:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-27 00:46:13.146282
- Title: STN-TGAT: Top-K Portfolio Construction via Prior-Guided Graph Attention with Learnable Soft-Threshold Sparsification
- Title（参考訳）: STN-TGAT:学習可能なソフト閾値スカラー化による事前ガイド付きグラフアテンションによるトップKポートフォリオ構築
- Authors: Haoran Guo, Yutong Lu, Li Zhang,
- Abstract要約: 本稿では,時間的ダイナミックスと横断的依存関係を共同でモデル化することで,現実的な投資環境下での株式のランク付けとポートフォリオ構築の問題に取り組む。
我々は,時間変換器とグラフアテンションネットワークを統合したソフトスレッショルドNMI-prior Transformer Graph Attention Network (STN-TGAT)を提案する。
実世界のデータに関する実証的な結果は、STN-TGATがポートフォリオリターンによって測定された予測精度と投資利益率からベンチマークモデルを一貫して上回っていることを示している。
- 参考スコア（独自算出の注目度）: 14.921992059477367
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper tackles the problem of stock ranking and portfolio construction under realistic investment settings by jointly modeling temporal dynamics and cross-sectional dependencies. We propose the Soft-Threshold NMI-prior Transformer Graph Attention Network (STN-TGAT), which integrates a temporal Transformer with a Graph Attention Network to capture long-horizon sequential patterns and dynamic inter-stock relationships. An NMI-based prior graph combined with a soft-threshold sparsification mechanism enhances structural robustness by mitigating noisy correlations while preserving informative connections. The portfolio formation process incorporates practical considerations, including Top-5 selection within the Top-50 $S\&P$ 500 constituents, explicit weight allocation, and transaction cost adjustment, thereby aligning the evaluation with real-world trading conditions. Empirical results on real-world data demonstrate that STN-TGAT consistently outperforms benchmark models from predictive accuracy and investment profitability measured by portfolio returns. These findings suggest that combining decision-aligned training with adaptive relational modeling provides a coherent and practically effective framework for data-driven portfolio construction.
- Abstract（参考訳）: 本稿では,時間的ダイナミックスと横断的依存関係を共同でモデル化することで,現実的な投資環境下での株式のランク付けとポートフォリオ構築の問題に取り組む。
我々は,時間変換器とグラフアテンションネットワークを統合したソフトスレッショルドNMI-prior Transformer Graph Attention Network (STN-TGAT)を提案する。
NMIに基づく事前グラフとソフトスレッショルドスペーシフィケーション機構を組み合わせることで,情報接続を保ちながらノイズ相関を緩和し,構造的ロバスト性を高める。
ポートフォリオ形成プロセスには、Top-50$S\&P$500の構成要素におけるトップ5の選択、明示的な重量配分、取引コスト調整など、現実の取引条件との整合性など、実践的な考慮事項が組み込まれている。
実世界のデータに関する実証的な結果は、STN-TGATがポートフォリオリターンによって測定された予測精度と投資利益率からベンチマークモデルを一貫して上回っていることを示している。
これらの結果は,データ駆動型ポートフォリオ構築において,意思決定整合トレーニングと適応的リレーショナルモデリングを組み合わせることで,一貫性と実用的な枠組みが提供されることを示唆している。
関連論文リスト
- GAPNet: Plug-in Jointly Learning Task-Specific Graph for Dynamic Stock Relation [3.7582774908258294]
本稿では,タスク固有のトポロジと表現をエンドツーエンドで共同で学習するグラフ適応プラグインネットワークであるGAPNetを提案する。
2つの実世界のストックデータセットを通して、GAPNetは、最先端のモデルとの比較において、収益性と安定性を継続的に向上することが示されている。
論文 参考訳（メタデータ） (2026-01-31T20:25:25Z) - Parallel and Multi-Stage Knowledge Graph Retrieval for Behaviorally Aligned Financial Asset Recommendations [46.90931293070464]
本稿では,FLARKOの検索拡張であるRAG-FLARKOを紹介する。
マルチステージおよび並列KG検索プロセスによるスケーラビリティと妥当性の課題を克服する。
実世界の金融取引データセットに関する実証的な評価は、RAG-FLARKOが推奨品質を大幅に向上することを示している。
論文 参考訳（メタデータ） (2025-10-08T20:42:53Z) - 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) - Dependency Network-Based Portfolio Design with Forecasting and VaR Constraints [8.107171581224312]
本研究では,統計的ソーシャルネットワーク分析と時系列予測とリスク管理を統合したポートフォリオ最適化フレームワークを提案する。
S&P500(2020-2024)の毎日の株価データを用いて、Vector Autoregression(VAR)とForecast Error Variance Decomposition(FEVD)を介して依存ネットワークを構築します。
FEVDは、VARの予測誤差のばらつきを分解し、各株価のショックが、我々のネットワークにおいて影響ベースのエッジ重みを形成するために反転する他の不確実性情報にどれだけ寄与するかを定量化する。
リスク・アット・リスク(リスク・アット・リスク)に基づいて資本を割り当てた、トップランクの株式を使って動的ポートフォリオを構築する。
論文 参考訳（メタデータ） (2025-07-26T18:53:39Z) - A Pre-training Framework for Relational Data with Information-theoretic Principles [57.93973948947743]
本稿では,リレーショナルグラフ上の集合に基づくアグリゲーションを通じて,監視信号を構成する新しい事前学習フレームワークであるTask Vector Estimation (TVE)を紹介する。
TVEは従来のトレーニング前のベースラインを一貫して上回っている。
本研究は,関係データベース上での予測モデルの設計原則として,タスクの不均一性と時間構造を符号化する事前学習目的を提唱する。
論文 参考訳（メタデータ） (2025-07-14T00:17:21Z) - A Study of Dynamic Stock Relationship Modeling and S&P500 Price Forecasting Based on Differential Graph Transformer [4.6028394466086535]
動的関係モデリングと価格予測のための差分グラフ変換器フレームワークを提案する。
我々のDGTは連続的なグラフ構造の変化を多面的自己認識に統合する。
クローサル時間的注意は、価格シーケンスのグローバル/ローカル依存関係をキャプチャする。
論文 参考訳（メタデータ） (2025-06-23T14:53:31Z) - RelGNN: Composite Message Passing for Relational Deep Learning [56.48834369525997]
RelGNNはリレーショナルデータベースから構築されたグラフのユニークな構造特性を活用するために特別に設計された新しいGNNフレームワークである。
RelGNNは、Relbench(Fey et al., 2024)から30の多様な実世界のタスクで評価され、ほとんどのタスクで最先端のパフォーマンスを実現し、最大25%の改善を実現している。
論文 参考訳（メタデータ） (2025-02-10T18:58:40Z) - Large-scale Time-Varying Portfolio Optimisation using Graph Attention Networks [4.2056926734482065]
本研究では、中規模企業における30年間のデータを活用し、距離相関と三角最大フィルタグラフを用いた企業のグラフを作成する。
GATベースのモデルが生み出すポートフォリオは、すべてのベンチマークより優れており、長期にわたって他の戦略よりも一貫して優れていることを示す。
論文 参考訳（メタデータ） (2024-07-22T10:50:47Z) - 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) - Tensor Graph Convolutional Networks for Multi-relational and Robust
Learning [74.05478502080658]
本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。
提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
論文 参考訳（メタデータ） (2020-03-15T02:33:21Z)
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。