論文の概要: Sparse Autoencoders as Implicit Diversification Regularisers for Cross-Sectional Cryptocurrency Returns

• arxiv url: http://arxiv.org/abs/2610.39205v1
• Date: Thu, 29 Oct 2026 02:28:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.448837
• Title: Sparse Autoencoders as Implicit Diversification Regularisers for Cross-Sectional Cryptocurrency Returns
• Title（参考訳）: 分岐型暗号復号器としてのスパースオートエンコーダ
• Abstract要約: スパースオートエンコーダ(SAE)は、いくつかのアクティブな機能を持つ多くの資産にわたる日々のリターンを記述している。 この疎結合な表現が安定した金融要因とより良いポートフォリオを生み出すかどうかを問う。 SAEポートフォリオのボラティリティを一貫して低くし、選択した資産間の相関関係を低くする。
• 参考スコア（独自算出の注目度）: 0.614481021961242
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Factor models are central to asset pricing and portfolio construction, but neural factors are often difficult to interpret, and their effect on portfolio risk is unclear. A sparse autoencoder (SAE) may address both concerns by describing daily returns across many assets with only a few active features. We ask whether this sparse representation produces stable financial factors and better-diversified portfolios. We study cryptocurrency returns, use equities as a secondary test, and compare the SAE with common benchmarks in a time-ordered evaluation. We find consistently lower volatility in SAE portfolios and link this result to lower correlations among the selected assets. However, the SAE does not outperform a simple contrarian strategy on risk-adjusted return, and its factor identities are not stable across training runs. Our contribution is to show that sparse coding can support portfolio diversification, while clearly separating this risk effect from claims about alpha or stable factor identities.
• Abstract（参考訳）: 要素モデルは資産価格やポートフォリオ構築の中心であるが、神経要因はしばしば解釈が困難であり、それらのポートフォリオリスクへの影響は不明確である。 スパースオートエンコーダ(SAE)は、いくつかのアクティブな特徴を持つ多くの資産にわたる日々のリターンを記述することで、両方の懸念に対処することができる。 この疎結合な表現が安定した金融要因とより良いポートフォリオを生み出すかどうかを問う。 我々は、暗号通貨のリターンを調査し、株式を二次試験として使用し、SAEと一般的なベンチマークを時間順評価で比較する。 SAEポートフォリオのボラティリティを一貫して低くし、選択した資産間の相関関係を低くする。 しかし、SAEはリスク調整リターンに関する単純なコントラリア的戦略よりも優れておらず、その要因は訓練中に安定していない。 我々の貢献は、スパースコーディングがポートフォリオの多様化を支援することを示しながら、このリスク効果をアルファまたは安定因子のアイデンティティに関する主張から明確に分離することである。

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)
• Robust Reinforcement Learning in Finance: Modeling Market Impact with Elliptic Uncertainty Sets [57.179679246370114]
  金融分野では、強化学習(RL)エージェントは、価格に影響を与えない歴史的データに基づいて訓練されることが多い。 展開中、これらのエージェントは、自身の取引が資産価格を変えることができるライブマーケットで取引する。 従来のロバストなRLアプローチは、不確実性の集合に対して最悪のパフォーマンスを最適化することで、このモデルの誤特定に対処する。 楕円型不確実性集合の新たなクラスを開発し,効率的かつ堅牢な政策評価を可能にする。
  論文  参考訳（メタデータ） (2025-10-22T18:22:25Z)
• 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)
• Interpretable Company Similarity with Sparse Autoencoders [0.0]
  スパースオートエンコーダ(SAE)は、大規模言語モデル(LLM)の解釈可能性を高めることを約束している。 SAEの機能をSICコード、産業コード、埋め込みに対してベンチマークします。 以上の結果から,SAEはセクターの分類や組込みを超越し,企業特性を把握できた。
  論文  参考訳（メタデータ） (2024-12-03T17:34:50Z)
• 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)
• Model-Free Market Risk Hedging Using Crowding Networks [1.4786952412297811]
  群集はポートフォリオ戦略を設計する上で最も重要なリスク要因の1つだと考えられている。 本研究は,株式の集団化スコアの算出に使用されるファンド保有のネットワーク分析を用いて,株式の集団化分析を行う。 本手法は,コストのかかるオプションベースの戦略や複雑な数値最適化を必要としない,テールリスクを含むポートフォリオリスクの代替手段を提供する。
  論文  参考訳（メタデータ） (2023-06-13T19:50:03Z)
• Risk budget portfolios with convex Non-negative Matrix Factorization [0.0]
  凸非負行列因子化(NMF)を用いたリスクファクタの予算化に基づくポートフォリオ割当手法を提案する。 我々は、暗号通貨と伝統的資産の2つの長期的グローバルポートフォリオを対象とするボラティリティの文脈で、我々の手法を評価する。
  論文  参考訳（メタデータ） (2022-04-06T12:02:15Z)
• Deep Learning Statistical Arbitrage [0.0]
  本稿では,統計的仲裁のための統一的な概念枠組みを提案し,新しいディープラーニングソリューションを開発した。 我々は、条件付き遅延資産価格要素から残余ポートフォリオとして類似資産の仲裁ポートフォリオを構築する。 我々は、これらの残余ポートフォリオの時系列信号を、最も強力な機械学習時系列ソリューションの1つを用いて抽出する。
  論文  参考訳（メタデータ） (2021-06-08T00:48:25Z)

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。