論文の概要: $L_0$ Feature Selection via Monte Carlo Tree Search in High-Dimensional Financial Regression

• arxiv url: http://arxiv.org/abs/2610.13574v1
• Date: Fri, 09 Oct 2026 13:27:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.600485
• Title: $L_0$ Feature Selection via Monte Carlo Tree Search in High-Dimensional Financial Regression
• Title（参考訳）: 高次元金融回帰におけるモンテカルロ木探索による$L_0$特徴選択
• Abstract要約: 本稿では,汎用Nested Rollout Policy Adaptation (GNRPA)を用いたモンテカルロ木探索に基づく特徴選択フレームワークを提案する。 本研究では, 市場, マクロ経済, 因子データにまたがる 1072 の工学的特徴から, NASDAQ-100 指数の週間リターンを説明する。
• 参考スコア（独自算出の注目度）: 2.5788559173418357
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Feature selection is a central problem in high-dimensional financial regression, where large numbers of engineered variables and strong correlations among predictors reduce model stability and interpretability. $L_1$ regularization (Lasso) is widely used for sparse regression, but its shrinkage can be restrictive when informative signals are spread across correlated variables. Exact sparse regression avoids this shrinkage but requires solving a combinatorial optimization problem that is computationally difficult and is typically fit to minimize in-sample rather than out-of-sample error. This paper presents a feature selection framework based on Monte Carlo Tree Search with Generalized Nested Rollout Policy Adaptation (GNRPA). Feature selection is formulated as a sequential decision process, and candidate subsets are scored by their out-of-sample validation performance rather than training error. The method also supports a lexicographic objective accounting for subset size and multicollinearity. We study this approach on a contemporaneous explanatory regression task: explaining the weekly return of the NASDAQ-100 index from 1,072 engineered features spanning market, macroeconomic, and factor data. This isolates the value of subset selection under multicollinearity from the separate problem of predictive forecasting. On this task, the proposed method identifies sparse feature subsets with higher out-of-sample explanatory power than an optimized Lasso baseline, reaching an out-of-sample $R^2$ of 0.6961 versus 0.6313 for Lasso. These results suggest that Monte Carlo Tree Search is a practical alternative to convex regularization for sparse explanatory feature selection in financial regression, with potential value for factor attribution and risk decomposition where transparency matters as much as out-of-sample fit.
• Abstract（参考訳）: 特徴選択は高次元の金融レグレッションにおいて中心的な問題であり、多くの工学的変数と予測子間の強い相関がモデルの安定性と解釈可能性を減らす。 L_1$正規化(Lasso)はスパース回帰に広く用いられているが、情報信号が相関変数に分散する場合、その縮小は制限される。 厳格なスパース回帰は、この縮小を避けるが、計算的に困難で典型的にはサンプル内誤差の最小化に適合する組合せ最適化問題を解く必要がある。 本稿では,モンテカルロ木探索と一般化Nested Rollout Policy Adaptation (GNRPA)に基づく特徴選択フレームワークを提案する。 特徴選択は逐次決定プロセスとして定式化され、候補サブセットはトレーニングエラーではなく、サンプル外検証パフォーマンスによってスコアされる。 この方法はまた、サブセットサイズと複数行性を考慮した語彙的客観的な説明もサポートする。 本研究では, 市場, マクロ経済, 因子データにまたがる 1072 の工学的特徴から, NASDAQ-100 指数の週間リターンを説明する。 これにより、多重線形性の下でのサブセット選択の値は予測予測の別の問題から分離される。 提案手法は,最適化されたLassoベースラインよりも高出力のスパース特徴部分集合を同定し,Lassoでは0.6961対0.6961対0.6313である。 これらの結果から,モンテカルロ木探索は金融レグレッションにおけるスパースな説明的特徴選択のための凸正規化の実用的な代替手段であり,透明性がアウト・オブ・サンプルと同等に重要である因子帰属とリスク分解の潜在的な価値が示唆された。

関連論文リスト

• Dataset Pruning from First Principles: A Label-Free Linear Programming Approach [0.3867363075280544]
  偏差最小化問題として非偏差部分選択を修正して幾何選択基準を導出する。 偏りのない部分集合選択アルゴリズムの族を高次元ポリトープとして特徴付ける。 本手法は, 評価予算毎の平均試験精度において, 均一サンプリング値と一致または超過する。
  論文  参考訳（メタデータ） (2026-10-07T16:24:50Z)
• Relaxed Quantile Regression: Prediction Intervals for Asymmetric Noise [51.87307904567702]
  量子レグレッション(Quantile regression)は、出力の分布における量子の実験的推定を通じてそのような間隔を得るための主要なアプローチである。 本稿では、この任意の制約を除去する量子回帰に基づく区間構成の直接的な代替として、Relaxed Quantile Regression (RQR)を提案する。 これにより、柔軟性が向上し、望ましい品質が向上することが実証された。
  論文  参考訳（メタデータ） (2024-06-05T13:36:38Z)
• Rejection via Learning Density Ratios [50.91522897152437]
  拒絶による分類は、モデルを予測しないことを許容する学習パラダイムとして現れます。 そこで我々は,事前学習したモデルの性能を最大化する理想的なデータ分布を求める。 私たちのフレームワークは、クリーンでノイズの多いデータセットで実証的にテストされます。
  論文  参考訳（メタデータ） (2024-05-29T01:32:17Z)
• Computational-Statistical Gaps in Gaussian Single-Index Models [77.1473134227844]
  単次元モデル(Single-Index Models)は、植木構造における高次元回帰問題である。 我々は,統計的クエリ (SQ) と低遅延多項式 (LDP) フレームワークの両方において,計算効率のよいアルゴリズムが必ずしも$Omega(dkstar/2)$サンプルを必要とすることを示した。
  論文  参考訳（メタデータ） (2024-03-08T18:50:19Z)
• Lasso with Latents: Efficient Estimation, Covariate Rescaling, and Computational-Statistical Gaps [29.13944209460543]
  本研究では、観測されていない潜伏変数から強い相関関係が生じる自然なスパース線形回帰設定を提案する。 この設定では、強い相関関係に起因する問題を解析し、驚くほど単純な修正を設計する。 結果として生じる「再スケールされたラッソ」アルゴリズムのサンプルの複雑さは、(最悪の場合)下層の信号の間隔に二次的に依存する。
  論文  参考訳（メタデータ） (2024-02-23T16:16:38Z)
• The Adaptive $τ$-Lasso: Robustness and Oracle Properties [12.06248959194646]
  本稿では,高次元データセット解析のためのロバストな$tau$-regression推定器の正規化版を紹介する。 得られた推定器はアダプティブ $tau$-Lasso と呼ばれ、外れ値や高平均点に対して堅牢である。 外れ値と高平均点に直面して、適応 $tau$-Lasso と $tau$-Lasso 推定器は、競合する正規化推定器の最高のパフォーマンスを達成または一致させる。
  論文  参考訳（メタデータ） (2023-04-18T21:34:14Z)
• Random Manifold Sampling and Joint Sparse Regularization for Multi-label Feature Selection [0.0]
  本稿では,$ell_2,1$および$ell_F$正規化の連立制約付き最適化問題を解くことで,最も関連性の高いいくつかの特徴を得ることができる。 実世界のデータセットの比較実験により,提案手法が他の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-04-13T15:06:12Z)
• Solving weakly supervised regression problem using low-rank manifold regularization [77.34726150561087]
  我々は弱い教師付き回帰問題を解く。 weakly"の下では、いくつかのトレーニングポイントではラベルが知られ、未知のものもあれば、無作為なノイズの存在やリソースの欠如などの理由によって不確かであることが分かっています。 数値的な節ではモンテカルロモデルを用いて提案手法を人工と実のデータセットに適用した。
  論文  参考訳（メタデータ） (2021-04-13T23:21:01Z)
• Sparse Feature Selection Makes Batch Reinforcement Learning More Sample Efficient [62.24615324523435]
  本稿では,スパース線形関数近似を用いた高次元バッチ強化学習(RL)の統計的解析を行う。 候補となる機能が多数存在する場合,提案手法がバッチRLをより効率的にサンプリングできるという事実に光を当てる。
  論文  参考訳（メタデータ） (2020-11-08T16:48:02Z)

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。