論文の概要: One Basket, Many Experts: Decorrelated Re-ranking for Financial Asset Recommendation

• arxiv url: http://arxiv.org/abs/2611.05952v1
• Date: Wed, 04 Nov 2026 04:44:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 03:25:57.944886
• Title: One Basket, Many Experts: Decorrelated Re-ranking for Financial Asset Recommendation
• Title（参考訳）: 金融資産リコメンデーション(表
• Abstract要約: 我々は,Decorrelated-Satellite Expert Re- rank (textbfDSER)を提案する。 専門家フォローリストから最も関連性の高いレコメンデーションを保持し、残りをリターン・デコレーション(return-decorrelated)に置き換える。 パブリックなFAR-Trans小売ブローカレッジデータセットの実験では、プライマリプロトコルの下で、いくつかのスロットを置き換えることで、小さな関連コストでリスク調整されたリターンが改善される。
• 参考スコア（独自算出の注目度）: 41.54865096569508
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Financial asset recommendation for retail investors is typically optimized for relevance, that is, how well a recommendation matches what each user will buy. From the service provider's point of view, the value of a recommendation also depends on portfolio performance: the risk-adjusted return the recommended assets (the basket) deliver, which drives user engagement and fee revenue. The two goals are rarely achieved jointly, because the recommendations that best match user behavior concentrate on a few popular assets whose returns are highly correlated, which caps the risk-adjusted return a provider can offer. We propose Decorrelated-Satellite Expert Re-ranking (\textbf{DSER}), which retains the most relevant recommendations from an expert-following list and replaces the rest with return-decorrelated alternatives. The number of replaced slots is a single integer~$m$ (a knob) that the provider sets, so the relevance--performance trade-off becomes an explicit, auditable choice rather than a property hidden inside a learned model. In experiments on the public FAR-Trans retail-brokerage dataset, under the primary protocol, replacing a few slots improves risk-adjusted return at a small relevance cost, and the gain survives realistic trading costs at typical retail portfolio sizes. Minimizing correlation would lower basket volatility, but in our data the least-correlated assets are more volatile and higher-return, so their volatility offsets that reduction while their return drives the gain, not lower volatility. The resulting trade-off is asymmetric, with the relevance cost consistent across market phases while the gain is phase-dependent. The provider sets $m$ to read off exactly how much relevance each operating point costs.
• Abstract（参考訳）: 金融資産のレコメンデーションは、一般的に関連性、すなわちレコメンデーションが各ユーザが購入するものとどの程度よく一致しているかに最適化されている。 サービス提供者の視点では、レコメンデーションの価値はポートフォリオのパフォーマンスにも依存する。リスク調整されたリターンは、ユーザのエンゲージメントと手数料収入を駆動する推奨資産(バスケット)を提供する。 2つのゴールは共同で達成されることはめったにない。なぜなら、ユーザー行動に最もよく適合する推奨は、リターンが極めて相関しているいくつかの人気資産に集中し、プロバイダーが提供できるリスク調整リターンを最大化するからである。 そこで我々は,Decor related-Satellite Expert Re- ranking (\textbf{DSER})を提案する。 置き換えられたスロットの数は、プロバイダが設定した1つの整数~$m$(knob)なので、関連するパフォーマンストレードオフは、学習モデル内に隠されたプロパティではなく、明示的で監査可能な選択になる。 パブリックなFAR-Trans小売ブローカージュデータセットの実験では、いくつかのスロットを置き換えることで、小さな関連コストでリスク調整されたリターンが向上し、通常の小売ポートフォリオサイズでの現実的なトレーディングコストが維持される。 相関の最小化はバスケットのボラティリティを低下させるが、我々のデータでは、最小の相関資産はより揮発性で高いリターンである。 結果として生じるトレードオフは非対称であり、市場フェーズ間で関連コストが一定であり、利得はフェーズ依存である。 プロバイダが$m$を設定して,各運用ポイントの関連性に関するコストを正確に読み取る。

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)
• Cross-Sectional Asset Retrieval via Future-Aligned Soft Contrastive Learning [87.54084417547621]
  我々は、効果的な資産検索は将来整合するべきだと論じる。 米国株4,229株の実験では、Future-Aligned Soft Contrastive Learningは、将来のすべての指標で13のベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-02-11T10:17:52Z)
• Developing An Attention-Based Ensemble Learning Framework for Financial Portfolio Optimisation [0.0]
  本稿では,アテンション機構や時系列,すなわちMASAATと統合されたマルチエージェントで自己適応的なポートフォリオ最適化フレームワークを提案する。 時系列で財務データのトークンを再構築することにより、各エージェントの注意ベースの横断分析モジュールと時間分析モジュールは、資産と時間点間の依存関係との相関を効果的に捉えることができる。 実験により、MASAATフレームワークは、よく知られたポートフォリオ最適化アプローチと比較して、印象的な拡張を実現していることが明らかとなった。
  論文  参考訳（メタデータ） (2024-04-13T09:10:05Z)
• Stock Recommendations for Individual Investors: A Temporal Graph Network Approach with Mean-Variance Efficient Sampling [27.770653904666776]
  個々の投資家は確立した投資理論を無視し、代わりに個人的な好みを好んだ。 これは、強い投資実績を提供するだけでなく、これらの個人の嗜好を尊重する株式レコメンデーションシステムにとっての課題である。 PfoTGNRecは,時間変化による協調的な信号の処理や,多様化型サンプリングを取り入れた新しいモデルである。
  論文  参考訳（メタデータ） (2024-03-27T07:17:55Z)
• Mean-Variance Efficient Collaborative Filtering for Stock Recommendation [33.04652311923051]
  従来の投資レコメンデーションは高リターン株や高度に多様化したポートフォリオに重点を置いており、しばしばユーザーの好みを無視している。 ポートフォリオ理論とユーザの好みを最適にブレンドする平均分散効率的な協調フィルタリング(MVECF)を提案する。
  論文  参考訳（メタデータ） (2023-06-11T04:51:29Z)
• Rethinking Missing Data: Aleatoric Uncertainty-Aware Recommendation [59.500347564280204]
  本稿では, Aleatoric Uncertainty-aware Recommendation (AUR) フレームワークを提案する。 AURは、新しい不確実性推定器と通常のレコメンデータモデルで構成されている。 誤ラベルの可能性がペアの可能性を反映しているため、AURは不確実性に応じてレコメンデーションを行う。
  論文  参考訳（メタデータ） (2022-09-22T04:32:51Z)
• Price DOES Matter! Modeling Price and Interest Preferences in Session-based Recommendation [55.0391061198924]
  セッションベースのレコメンデーションは、匿名ユーザが自分の短い行動シーケンスに基づいて購入したいアイテムを予測することを目的としている。 セッションベースのレコメンデーションの価格設定を組み込むのは簡単ではない。 セッションベースレコメンデーションのためのCoHHN(Co-guided Heterogeneous Hypergraph Network)を提案する。
  論文  参考訳（メタデータ） (2022-05-09T10:47:15Z)
• 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。