論文の概要: STOCK-JEPA: Prior-Anchored Latent Revision Representation Learning in Equity Markets

• arxiv url: http://arxiv.org/abs/2610.07006v1
• Date: Sun, 04 Oct 2026 12:42:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.5026
• Title: STOCK-JEPA: Prior-Anchored Latent Revision Representation Learning in Equity Markets
• Title（参考訳）: STOCK-JEPA:株式市場における先進的潜在リフレクション学習
• Abstract要約: 本研究は, ポイント・イン・タイム・ファイナンシャル・プレファレンスに対して, 予測可能なインクリメンタル・リビジョンを学習する, 共同埋め込み型予測フレームワークであるStock-JEPAを提案する。 実験的に、Stock-JEPAは5つの重要な評価指標に基づいて、中国と米国の大規模な株式宇宙で13の強いベースラインを上回ります。
• 参考スコア（独自算出の注目度）: 14.328775906212444
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning effective representations helps characterize the structure and dynamics of equity markets from financial data with a low signal-to-noise ratio. Black-box deep models can capture complex patterns but may overfit sample noise and lack explicit economic structure. Meanwhile, classic linear financial models provide interpretable references, but their oversimplified assumptions leave non-linear signals uncaptured. To combine the strengths of these two directions, we propose Stock-JEPA, a joint-embedding predictive framework that learns predictable incremental revisions relative to a point-in-time financial prior. First, we leverage a low-complexity financial model to produce fixed statistics summarizing multi-horizon return and risk. A prior projector then maps these statistics into the target encoder's latent space as an anchor. Second, we design a context-conditioned revision predictor to estimate the future representation's predictable displacement from the anchor. Separate losses update the two branches: the anchor learns from prior statistics, while the revision captures additional predictable information from historical context. Third, we freeze all representation modules and train a downstream readout, evaluating its forecasts through cross-sectional ranking and portfolio performance. Theoretically, we prove that optimal revision reduces the prior anchor's expected squared error for the same future representation by exactly $\mathbb{E}[\|\boldsymbolΔ\|_2^2]$. This non-negative gain is the expected squared magnitude of the additional signal predictable from historical context. Experimentally, Stock-JEPA outperforms 13 strong baselines across large-scale China and U.S. equity universes on 5 key evaluation metrics. Ablation studies and representation analysis further demonstrate the value of the learned revisions for representation learning in equity markets.
• Abstract（参考訳）: 効果的な表現の学習は、低信号対雑音比で金融データから株式市場の構造とダイナミクスを特徴づけるのに役立つ。 ブラックボックスのディープモデルは複雑なパターンを捉えることができるが、サンプルノイズに過度に適合し、明確な経済構造が欠如している可能性がある。 一方、古典的な線形金融モデルは解釈可能な参照を提供するが、過度に単純化された仮定は、非線形信号を捉えないままにしておく。 これら2つの方向の強みを組み合わせるために,段階的金融先物に対する予測可能な漸進的リビジョンを学習する共同埋め込み予測フレームワークであるStock-JEPAを提案する。 まず、低複雑さの金融モデルを用いて、マルチ水平リターンとリスクを要約した固定統計データを生成する。 先行プロジェクタは、これらの統計データをターゲットエンコーダの潜在空間にアンカーとしてマッピングする。 第2に、将来の表現のアンカーからの予測可能な変位を推定するために、文脈条件の修正予測器を設計する。 アンカーは以前の統計から学習し、リビジョンは過去の文脈から追加で予測可能な情報をキャプチャする。 第三に、すべての表現モジュールを凍結し、下流の読み出しを訓練し、断面的なランキングとポートフォリオのパフォーマンスを通じて予測を評価します。 理論的には、最適修正は、正確に$\mathbb{E}[\|\boldsymbolΔ\|_2^2]$によって、同じ将来の表現に対する前のアンカーの期待二乗誤差を減少させる。 この非負の利得は、歴史的文脈から予測可能な追加信号の2乗大小である。 実験的に、Stock-JEPAは5つの重要な評価指標に基づいて、中国と米国の大規模な株式宇宙で13の強いベースラインを上回ります。 アブレーション研究と表現分析は、株式市場における表現学習のための学習されたリビジョンの価値をさらに示している。

関連論文リスト

• Volatility-Clustering Adaptation for Financial Time Series [6.082913523231794]
  時系列基礎モデルは、ターゲットデータの微調整によって、新しい領域に適応する傾向にある。 この仮定は、個別の価格変動の予測が困難である金融予測において失敗する可能性があることを示す。 オープン、ハイ、ロー、クローズ、ボリュームの価格バーで訓練された金融ファンデーションモデルを用いて、金融分野への適応には次の予測以上の訓練信号が必要であると論じる。
  論文  参考訳（メタデータ） (2026-09-29T14:45:38Z)
• Repurposing Deep Limit Order Book Forecasting for Scenario-Conditioned Market Impact Modeling [49.590388401787834]
  本稿では,機械的に有効な反事実メッセージの注入前後の予測者の予測分布を比較するモデルに依存しないフレームワークを提案する。 トランスフォーマーをベースとした予測器は、スピアマンの相関関係を0.99と97.2%と、実現した歴史的成果との方向性の一致で、シナリオランキングを回復した。
  論文  参考訳（メタデータ） (2026-09-15T10:06:03Z)
• Is Capability a Liability? More Capable Language Models Make Worse Forecasts When It Matters Most [11.4807141145402]
  逆スケーリングでは、より有能なモデルでは、超線形成長を伴う問題を予測し、状態変化の尾リスクを予測し、分布予測が悪化する。 このパターンはForecastBench-Simで、線形制御にマッチした合成SIRの流行を予測し、COVID-19、麻疹、住宅市場、ハイパーインフレの実際のデータセットに複製する。 この逆スケーリングは、LLM予測ベンチマークに共通する単一閾値のメトリクスには現れず、同一出力における能力-正確性関係のサインを逆転させる。
  論文  参考訳（メタデータ） (2026-05-21T16:14:33Z)
• Reasoning through Verifiable Forecast Actions: Consistency-Grounded RL for Financial LLMs [34.87727677131385]
  本発表では、株価予測と財務的理由を検証可能な予測行動を通じて統合する、時系列のLLMであるStockR1を紹介する。 ツールコール設計に基づいて、モデルはまず、定性的市場展望の構造的かつ解釈可能な表現である予測アクションを出力する。 そこでは、回答の妥当性、予測精度、生成したアクション間の一貫性と観察された時系列のダイナミクスを共同で反映する。
  論文  参考訳（メタデータ） (2026-05-21T04:09:16Z)
• Interpretable Deep Learning for Stock Returns: A Consensus-Bottleneck Asset Pricing Model [0.0]
  本稿では,販売側アナリストの推論過程を再現する部分解釈可能なニューラルネットワークであるConsensus-Bottleneck Asset Pricing Model (CB-APM)を紹介する。 CB-APMは米国株の将来のリスクプレミアムを予測するだけでなく、信念集約と期待されるリターンを構造的に解釈可能な方法で結びつける。
  論文  参考訳（メタデータ） (2025-12-18T07:05:25Z)
• Identifying and Mitigating Social Bias Knowledge in Language Models [52.52955281662332]
  個々人の社会的偏見をきめ細かなキャリブレーションを可能にする新しいデバイアス・アプローチであるFairness Stamp(FAST)を提案する。 FASTは最先端のベースラインを超え、デバイアス性能が優れている。 これは、大きな言語モデルにおける公平性を達成するためのきめ細かいデバイアス戦略の可能性を強調している。
  論文  参考訳（メタデータ） (2024-08-07T17:14:58Z)
• 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)
• Learning to Predict Trustworthiness with Steep Slope Loss [69.40817968905495]
  本研究では,現実の大規模データセットにおける信頼性の予測問題について検討する。 我々は、先行技術損失関数で訓練された信頼性予測器が、正しい予測と誤った予測の両方を信頼に値するものとみなす傾向があることを観察する。 そこで我々は,2つのスライド状の曲線による不正確な予測から,特徴w.r.t.正しい予測を分離する,新たな急勾配損失を提案する。
  論文  参考訳（メタデータ） (2021-09-30T19:19:09Z)

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。