ACT：時間的ディスエンタングルメントと構造的パージによるクロスセクショナル株式ランキングのアンチ・クロストーク学習

概要: クロスセクショナルな株式ランキング（銘柄順位付け）は、量的投資における基本的な課題であり、個々の株の時間的モデリングと、銘柄間の依存関係の捉えることの両方に依存します。既存の深層学習モデルは、関係グラフ上で情報を伝播させることでランキング精度を高めるために、グラフベースのアプローチを活用していますが、重要な課題として「クロストーク」、すなわち予測因子間で意図しない情報干渉が生じる問題を抱えています。私たちはクロストークに2つの形を特定します。1つは時間スケールのクロストークであり、トレンド、変動、ショックが共有表現に絡み合い、転移できない局所的パターンが銘柄間の学習を汚染します。もう1つは構造的クロストークであり、不均質な関係が無差別に融合され、関係固有の予測シグナルが見えなくなります。これらの両方の問題に対処するために、時間的な分離と構造の浄化によるクロスセクショナル株式ランキングのためのAnti-CrossTalk（ACT）フレームワークを提案します。具体的には、ACTはまず各株の系列をトレンド、変動、ショックの各成分に分解し、その後、成分固有の情報を専用ブランチによって抽出することで、転移できない局所的パターンを効果的に切り離します。さらにACTは、時間スケールのクロストークを緩和した後、トレンド成分に対して時間を順に（逐次的に）構造的クロストークを浄化するProgressive Structural Purification Encoderを導入します。最後に、適応的な融合モジュールによって、すべてのブランチ表現を統合してランキングを行います。CSI300およびCSI500での実験により、ACTは最先端のランキング精度を達成し、ポートフォリオ性能でも優れていることが示されました。CSI300データセットでは改善が最大74.25%に達します。