ACT: Temporal Disentanglement と Structural Purification を介したクロスセクション株式ランキングのためのアンチクロスツークラーニング

arXiv:2604.20204v1 Announce Type: new 抽象：クロスセクション株式ランキングは、定量的投資における基本的なタスクであり、個別の株式の時系列モデリングと株式間の相互依存性の両方を依存しています。既存の深層学習モデルは、関係グラフ上での情報伝播によってランキング精度を向上させるグラフベースのアプローチを採用していますが、予測因子間の意図しない情報干渉であるクロスツークという主要な課題に悩まされています。われわれはクロスツークの 2 つの形式を特定しました：その 1 つは時系列スケールクロスツークであり、トレンド、変動、ショックが共有表現に絡み合い、非移動可能な局所パターンがクロス株式学習を汚染するものです。もう 1 つは構造的クロスツークであり、異質な関係が恣意的に融合され、関係固有の予測信号が覆蔽されるものです。両方の課題に対処するために、われわれは時系列分離と構造的浄化を介したクロスセクション株式ランキングのためのアンチクロスツーク（ACT）フレームワークを提案します。具体的には、ACT はまず各株式シリーズをトレンド、変動、ショック成分に分解し、その後、専用ブランチを通じて成分固有情報を抽出することで、非移動可能な局所パターンを効果的に分離します。さらに、ACT は時系列スケールクロスツークを緩和した後、トレンド成分上の構造的クロスツークを順次浄化するために、プログレッシブ構造的浄化エンコーダーを導入します。最後に、適応融合モジュールが全てのブランチ表現を統合してランキングを行います。CSI300 と CSI500 の実験により、ACT が最先端のランキング精度と優れたポートフォリオパフォーマンスを実現していることが示されました。CSI300 データセット上では最大 74.25% の改善が認められました。

arXiv:2604.20204v1 Announce Type: new Abstract: Cross-sectional stock ranking is a fundamental task in quantitative investment, relying on both temporal modeling of individual stocks and the capture of inter-stock dependencies. While existing deep learning models leverage graph-based approaches to enhance ranking accuracy by propagating information over relational graphs, they suffer from a key challenge: crosstalk, namely unintended information interference across predictive factors. We identify two forms of crosstalk: temporal-scale crosstalk, where trends, fluctuations, and shocks are entangled in a shared representation and non-transferable local patterns contaminate cross-stock learning; and structural crosstalk, where heterogeneous relations are indiscriminately fused and relation-specific predictive signals are obscured. To address both issues, we propose the Anti-CrossTalk (ACT) framework for cross-sectional stock ranking via temporal disentanglement and structural purification. Specifically, ACT first decomposes each stock sequence into trend, fluctuation, and shock components, then extracts component-specific information through dedicated branches, which effectively decouples non-transferable local patterns. ACT further introduces a Progressive Structural Purification Encoder to sequentially purify structural crosstalk on the trend component after mitigating temporal-scale crosstalk. An adaptive fusion module finally integrates all branch representations for ranking. Experiments on CSI300 and CSI500 demonstrate that ACT achieves state-of-the-art ranking accuracy and superior portfolio performance, with improvements of up to 74.25% on the CSI300 dataset.