論文の概要: MAPLE: Efficient and Diverse Multi-Alpha Generation for Portfolio Construction

• arxiv url: http://arxiv.org/abs/2607.24131v1
• Date: Mon, 27 Jul 2026 08:14:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.36007
• Title: MAPLE: Efficient and Diverse Multi-Alpha Generation for Portfolio Construction
• Title（参考訳）: MAPLE:ポートフォリオ構築のための効率的・多言語多言語生成
• Abstract要約: 我々は,この多様性の原則を1つのトレーニングパスで回復するバックボーン非依存のフレームワークであるMAPLE(Multi-Alpha Position-aware Listwise Ensembling)を紹介する。 米国、中国、日本にまたがる4つの株式市場の中で、MAPLEはシャープとカルマーの比率が最高である。 これらの結果は、アーキテクチャ上の複雑さよりも、損失設計とキャパシティ割り当ての原則が多様で効果的なマルチアルファ生成を促進することを示している。
• 参考スコア（独自算出の注目度）: 2.7602134408491596
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Classical alpha mining achieves strong risk-adjusted returns by combining many low-correlated predictive signals, yet deep learning stock-ranking methods typically produce a single alpha per stock, rely on increasingly complex architectures with diminishing gains, and obtain diversity only through separate models or implicit routing, without explicitly controlling inter-alpha correlation. We introduce MAPLE (Multi-Alpha Position-aware Listwise Ensembling), a backbone-agnostic framework that recovers this diversity principle within a single training pass. MAPLE combines a unified, capacity-scaled prediction head with an extreme-rank weighted listwise ranking loss and a diversity regularizer that explicitly penalizes pairwise correlation across alphas. Across four equity markets spanning the US, China, and Japan, MAPLE achieves the best average Sharpe and Calmar ratios among nine baselines, using up to 55x fewer parameters and 2.5x less training time, and generalizes across five backbone architectures with Sharpe and Calmar Ratio gains of 10-23% and 17-43%, respectively. Behavioral analysis further shows why each component works: the unified head already reduces inter-alpha correlation before any diversity loss is applied, and the extreme-rank loss lets diversity regularization improve rather than erode per-alpha ranking quality as capacity scaling sustains this balance at scale. These results show that principled loss design and capacity allocation, rather than architectural complexity, drive diverse and effective multi-alpha generation.
• Abstract（参考訳）: 古典的アルファマイニングは、多くの低相関な予測信号を組み合わせることで、強いリスク調整されたリターンを達成するが、ディープラーニングストックグレードの手法は、一般的に1株当たり1アルファを生産し、利得が減少するにつれてますます複雑なアーキテクチャに依存し、アルファ間相関を明示的に制御することなく、別のモデルや暗黙的なルーティングを通じてのみ多様性を得る。 我々は,この多様性の原則を1つのトレーニングパスで回復するバックボーン非依存のフレームワークであるMAPLE(Multi-Alpha Position-aware Listwise Ensembling)を紹介する。 MAPLEは、統一されたキャパシティスケールの予測ヘッドと、極端なランクの重み付けされたリストワイドランキングの損失と、アルファ間のペアワイド相関を明示的に罰する多様性正規化器を組み合わせる。 米国、中国、日本にまたがる4つの株式市場において、MAPLEは、最大55倍のパラメータと2.5倍のトレーニング時間を使用し、シャープとカルマー比が10～23%、カルマー比が17～43%の5つのバックボーンアーキテクチャでそれぞれ最高のシャープとカルマーの比率を達成している。 行動分析は、各コンポーネントが機能する理由をさらに示している: 統一ヘッドは、多様性の喪失が適用される前に、既にアルファ間相関を減少させており、極端なランクの損失は、キャパシティスケーリングが大規模にこのバランスを維持できるため、アルファ毎のランキング品質を低下させるよりも、多様性の規則化を改善することができる。 これらの結果は、アーキテクチャ上の複雑さよりも、損失設計とキャパシティ割り当ての原則が多様で効果的なマルチアルファ生成を促進することを示している。

関連論文リスト

• Tabular Deep Learning for Algorithmic Trading: Cross-Regime Bayesian Optimisation for Equity Signal Generation [0.0]
  5つのモデルクラスは、11年間で約300の米国株式から毎日の観測に基づいて訓練されている。 XGBoostとTabNetをランクアグリゲーションで組み合わせると、毎年51.26%のリターンを持つハイブリッドアンサンブルが生成される。 ほぼゼロに近いベータでは、このパフォーマンスは市場への露出ではなく、株価の選択によるものであることを示している。
  論文  参考訳（メタデータ） (2026-08-27T13:01:32Z)
• Similarity-Guided Curriculum Fine-Tuning of LLMs for Neural Architecture Synthesis [48.83701310501069]
  ニューラルアーキテクチャ探索(NAS)のためのニューラルネットワークコードにプログレッシブなカリキュラムを構築するMinHashベースの類似性スケジューリングフレームワークを導入する。 我々は,CIFAR-10画像分類におけるLEMURベンチマークにおいて,オリンピックコード7Bの枠組みを評価する。 SVHNでは,カリキュラムなしの直接ベースモデル生成により,CIFAR-10相当値よりもかなり低い精度(60.5%)で27%のSRが得られる。
  論文  参考訳（メタデータ） (2026-07-13T14:14:30Z)
• AlphaQ: Calibration-Free Bit Allocation for Mixture-of-Experts Quantization [104.10572215799239]
  混合精度量子化は、異なるビット幅を異なる専門家に割り当てることで、フットプリントを大幅に削減することができる。 既存のアプローチは、専門家の重要度を推定し、ビット割り当てを決定するためにキャリブレーションデータに依存している。 我々は,MoE量子化のためのキャリブレーションフリーなビット割り当て手法であるAlphaQを提案する。
  論文  参考訳（メタデータ） (2026-06-03T15:03:18Z)
• QuantaAlpha: An Evolutionary Framework for LLM-Driven Alpha Mining [24.756255119539347]
  QuantaAlphaは進化的アルファ・マイニング・フレームワークであり、各エンド・ツー・エンドのマイニング・ランを軌跡として扱う。 QuantaAlphaは、ターゲットリビジョンのための各トラジェクトリにおける最適以下のステップをローカライズする。 ファクタ生成の間、QuantaAlphaは仮説、因子表現、実行可能コードのセマンティック一貫性を強制する。
  論文  参考訳（メタデータ） (2026-02-06T08:08:04Z)
• Alpha-R1: Alpha Screening with LLM Reasoning via Reinforcement Learning [28.326583684637853]
  信号の崩壊と政権交代は、非定常市場におけるデータ駆動型投資戦略に繰り返し挑戦する。 既存の因子ベースの手法は、アルファを数値時系列に還元し、ある因子が経済的に関係しているかどうかを決定する意味論的論理を見渡すのが一般的である。 文脈認識型アルファスクリーニングのための強化学習により訓練された8Bパラメータ推論モデルであるAlpha-R1を提案する。
  論文  参考訳（メタデータ） (2025-12-29T14:50:23Z)
• Harnessing Consistency for Robust Test-Time LLM Ensemble [88.55393815158608]
  CoREは、堅牢なLLMアンサンブルにモデル一貫性を利用するプラグイン・アンド・プレイ技術である。 トークンレベルの一貫性は、ダウンウェイト不確実なトークンにローパスフィルタを適用することで、きめ細かい不一致を捕捉する。 モデルレベルの一貫性は、自己自信の高いモデル出力を促進することで、グローバルな合意をモデル化する。
  論文  参考訳（メタデータ） (2025-10-12T04:18:45Z)
• MMR1: Enhancing Multimodal Reasoning with Variance-Aware Sampling and Open Resources [113.33902847941941]
  VAS (Variance-Aware Sampling) は、Variance Promotion Score (VPS) によって導かれるデータ選択戦略である。 我々は、1.6MのCoT冷間開始データと15kのRLQAペアを含む大規模かつ慎重にキュレートされたリソースをリリースする。 数学的推論ベンチマークによる実験では、キュレートされたデータと提案されたVASの有効性が示されている。
  論文  参考訳（メタデータ） (2025-09-25T14:58:29Z)
• AlphaForge: A Framework to Mine and Dynamically Combine Formulaic Alpha Factors [14.80394452270726]
  本稿では,アルファ因子マイニングと因子組み合わせのための2段階のアルファ生成フレームワークAlphaForgeを提案する。 実世界のデータセットを用いて行った実験により,我々の提案したモデルは,定式的アルファファクターマイニングにおいて,同時代のベンチマークより優れていることが示された。
  論文  参考訳（メタデータ） (2024-06-26T14:34:37Z)
• SUNRISE: A Simple Unified Framework for Ensemble Learning in Deep Reinforcement Learning [102.78958681141577]
  SUNRISEは単純な統一アンサンブル法であり、様々な非政治的な深層強化学習アルゴリズムと互換性がある。 SUNRISEは, (a) アンサンブルに基づく重み付きベルマンバックアップと, (b) 最上位の自信境界を用いて行動を選択する推論手法を統合し, 効率的な探索を行う。
  論文  参考訳（メタデータ） (2020-07-09T17:08:44Z)
• AvgOut: A Simple Output-Probability Measure to Eliminate Dull Responses [97.50616524350123]
  機能エンジニアリングなしで、どの発話やトークンが退屈であるかを動的に認識する対話モデルを構築します。 最初のモデルMinAvgOutは、各バッチの出力分布を通して、ダイバーシティスコアを直接最大化する。 第2のモデルであるラベルファインチューニング(LFT)は、多様性スコアによって連続的にスケールされたラベルをソースシーケンスにプリペイドし、多様性レベルを制御する。 3つ目のモデルであるRLは強化学習を採用し、多様性スコアを報奨信号として扱う。
  論文  参考訳（メタデータ） (2020-01-15T18:32:06Z)

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。