論文の概要: FactorBench: A Portfolio-Aware Benchmark for Automated Factor Mining

• arxiv url: http://arxiv.org/abs/2610.06947v1
• Date: Sat, 03 Oct 2026 10:57:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.475555
• Title: FactorBench: A Portfolio-Aware Benchmark for Automated Factor Mining
• Title（参考訳）: FactorBench: 自動ファクタマイニングのためのポートフォリオ対応ベンチマーク
• Abstract要約: ポートフォリオを意識したベンチマークであるFacterBenchを紹介します。 FactorBenchは、ファクター妥当性、時間的一般化、そして測定されたリスクとスタイルの露出を超えた予測性という3つのレベルにわたる採掘システムのアウトプットをトレースする。
• 参考スコア（独自算出の注目度）: 3.4472051115463613
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Factor mining seeks to discover signals from financial data that predict future asset returns and guide portfolio construction. Automated factor mining now spans genetic programming, reinforcement learning, generative models, and large language model agents. Yet it remains unclear whether advances across these paradigms yield more generalizable, distinct, and economically useful financial signals. We introduce FactorBench, a portfolio-aware benchmark comparing roughly five thousand mined factors from nine automated mining methods across five equity markets. A shared data and evaluation contract supports both symbolic expressions and executable Python factors, connecting heterogeneous discovery algorithms to common signal combination and portfolio construction procedures. FactorBench traces the outputs of mining systems across three levels: factor validity, temporal generalization, and predictiveness beyond measured risk and style exposures; within- and across-method pool distinctness, including similarity to the benchmark Alpha101; and composite-signal quality and after-cost long-only and long--short portfolio performance. After systematically assessing whether advances in factor mining translate into signal quality and portfolio performance, FactorBench finds that no paradigm consistently dominates.
• Abstract（参考訳）: ファクターマイニングは、将来の資産のリターンを予測し、ポートフォリオ構築をガイドする金融データからシグナルを見つけることを目指している。 自動因子マイニングは現在、遺伝的プログラミング、強化学習、生成モデル、および大規模言語モデルエージェントにまたがっている。 しかし、これらのパラダイムにまたがる進歩がより一般化可能で、区別され、経済的に有用な金融シグナルをもたらすかどうかは不明である。 ポートフォリオを意識したベンチマークであるFacterBenchを紹介します。 共有データと評価契約は、シンボル表現と実行可能なPython要素の両方をサポートし、異種発見アルゴリズムを共通の信号の組み合わせとポートフォリオ構築手順に接続する。 FactorBenchは、測定されたリスクやスタイルの露出を超える因子の妥当性、時間的一般化、予測性、ベンチマークAlpha101と類似性を含む内部および横断的なプールの識別性、複合信号品質、長期的および短期的ポートフォリオのパフォーマンスの3つのレベルにまたがって、鉱業システムのアウトプットをトレースしている。 ファクターマイニングの進歩が信号の品質とポートフォリオのパフォーマンスに変換されるかどうかを体系的に評価した後、ファクターベンチはパラダイムが常に支配的でないことを発見した。

関連論文リスト

• Enhancing a Risk Model by Adding Transient Statistical Factors [90.40844650665713]
  資産収益の推定は、金融ポートフォリオの構築と評価の鍵となる要素である。 既存の因子モデルを強化するために,最大推定値に基づく体系的手法を提案する。 提案した拡張は,元のモデルに欠落したリターンの構造をキャプチャすることを示す。
  論文  参考訳（メタデータ） (2026-05-13T04:15:24Z)
• STORM: A Spatio-Temporal Factor Model Based on Dual Vector Quantized Variational Autoencoders for Financial Trading [55.02735046724146]
  金融取引では、ファクターモデルが資産の価格設定や過大なリターンの獲得に広く利用されている。 双対ベクトル量子化変分オートエンコーダを用いた時空間ファクトラーモデルSTORMを提案する。 ストームは時間的および空間的な視点からストックの特徴を抽出し、これらの特徴を微細で意味的なレベルで融合し整列させ、その要素を多次元の埋め込みとして表現する。
  論文  参考訳（メタデータ） (2024-12-12T17:15:49Z)
• 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)
• Factor Investing with a Deep Multi-Factor Model [123.52358449455231]
  我々は、業界中立化と市場中立化モジュールを明確な財務見識をもって取り入れた、新しい深層多要素モデルを開発する。 実世界の株式市場データによるテストは、我々の深層多要素モデルの有効性を示している。
  論文  参考訳（メタデータ） (2022-10-22T14:47:11Z)
• Randomized Entity-wise Factorization for Multi-Agent Reinforcement Learning [59.62721526353915]
  実世界のマルチエージェント設定は、エージェントや非エージェントエンティティのタイプや量が異なるタスクを伴うことが多い。 我々の方法は、これらの共通点を活用することを目的としており、「観察対象のランダムに選択されたサブグループのみを考えるとき、各エージェントが期待する効用は何か?」という問いを投げかける。
  論文  参考訳（メタデータ） (2020-06-07T18:28:41Z)

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。