arXiv:2606.12843v1 cs.LG

대규모 금융 시장 의사결정 인텔리전스를 위한 해석 가능한 팩터 분해: 중국 A주 시장 실증 분석

Interpretable Factor Decomposition for Decision Intelligence in Large-Scale Financial Markets: Evidence from China's A-Share Market

Xiao Han, Yao Xiao, Zhen Zhang, Moxuan Zheng

제출 2026-06-11

한국어 초록

본 연구는 단면 주식 수익률 예측 가능성(Cross-Sectional Equity Return Predictability)을 감사 가능한 팩터 기여도로 분해하기 위한 해석 가능한 머신러닝 파이프라인을 제시한다. 2009년부터 2019년까지 중국 A주 3,632개 종목을 대상으로 TreeSHAP 귀인 분석을 결합한 XGBoost 모델을 적용하고 스트레스 테스팅을 수행하였다. 60개월 롤링 윈도우와 55개월의 표본 외 데이터를 활용한 결과, XGBoost는 평균 AUC 0.547을 달성하였으며, 상위 대 하위 5분위 롱-숏 스프레드에서 월 +2.38%(Newey-West t = 5.94; 연환산 샤프 비율 2.23)를 기록하였다. 이 알파는 Carhart 4팩터 모델 조정 후에도 지속되었다(월 +2.31%; t = 7.48). SHAP 분해 결과, 55개 산업 그룹 전반에 걸쳐 평균적으로 행동 신호(거래회전율 및 모멘텀)가 예측 귀인의 58.2%를 차지한 반면, 밸류에이션 비율은 10.7%에 그쳤다. 절제 분석(ablation analysis)은 이 순위를 교차 검증하는 역할을 하며, SHAP과 절제 분석이 서로 다른 방식으로 diverge하여 각 방법을 단독으로 사용할 때는 대부분 보이지 않는 피처 대체 가능성 구조를 드러낸다는 증거를 제공한다.

원문 초록

We present an interpretable machine learning pipeline to decompose Cross-Sectional Equity Return Predictability into auditable factor contribution. We apply an XGBoost model with TreeSHAP attribution and conduct stress testing on 3632 Chinese A-share stocks from 2009 until 2019. Using 60-month, rolling windows over 55 months of out-of-sample data, XGBoost obtains a mean AUC of 0.547 and +2.38%/month (Newey-West t = 5.94; Annualized Sharpe 2.23) long-short spread for the top vs bottom quintiles. This alpha is persistent after adjusting for the Carhart four-factor model (+2.31%/month; t = 7.48). SHAP Decomposition indicates that behavioral signals (turnover and momentum) account for 58.2% of predictive attribution compared to 10.7% for valuation ratios, on average, across 55 industry groups. Ablation analysis serves to cross-validate this ranking and provides evidence that SHAP and ablation diverge in a manner that highlights feature substitutability structure that is largely invisible to either method used in isolation.

요약

중국 A주 시장 데이터에 XGBoost와 TreeSHAP 기반의 해석 가능한 파이프라인을 적용하여 주식 수익률 예측 가능성을 요인별 기여도로 분해하고, 행동 신호가 밸류에이션 비율보다 훨씬 더 큰 예측 기여를 한다는 점을 입증했다.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2606.12843v1제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2606.28228v3cs.LG공통 태그 Time Series

연속 시간 잠재 동역학의 얽힘 풀기: 확산 변화를 통한 잠재 SDE의 식별가능성

Disentangling Continuous-Time Latent Dynamics: Identifiability of Latent SDEs via Diffusion Shifts

시계열을 위한 인과 표상 학습(causal representation learning)은 이산 시간 잠재 인과 모델에서 강력한 식별가능성(identifiability) 결과를 발전시켜 왔으나, 연속 시간 잠재 확률미분방정식(SDE) 모델에서의 식별가능성은 여전히 대부분 미해결 상태로 남아 있습니다. 본 연구에서는 환경에 의해 유도된 확산 공분산(diffusion covariance)의 변화를 활용하여 이 간극을 해결합니다. 저자들은 공유된 드리프트(drift)를 가지지만 환경별로 서로 다른 확산 공분산을 갖는, 미지의 비선형 미분동형사상(diffeomorphism)을 통해 관측되는 가산 노이즈 잠재 SDE를 연구합니다. 드리프트에 대한 어떠한 희소성(sparsity) 가정 없이도, 좌표별 분산 비율이 서로 다른 두 개의 대각 확산 영역(regime)이 주어지면 치환(permutation), 좌표별 스케일링, 그리고 가능한 상수 이동(constant shift) 수준까지 잠재 좌표를 식별할 수 있음을 보입니다. 먼저 선형 오룬슈타인-울렌벡(Ornstein-Uhlenbeck) 시스템에 대해 이 결과를 증명한 후, 이를 일반적인 가산 노이즈 잠재 SDE로 확장합니다. 완만한 매끄러움(smoothness) 조건 하에서, 순간적인 드리프트-야코비안(drift-Jacobian) 인과 그래프 또한 동일한 치환 수준까지 식별 가능합니다. 저자들은 잠재 표현 얽힘 풀기(disentanglement) 및 선택적 그래프 복원을 위한 2단계 추정기를 제안합니다. 합성 시스템에 대한 실험을 통해 예측된 식별가능성 경계를 확인하였으며, 하르당에르교(Hardanger Bridge) 모니터링 데이터에 적용하여 실제 센서 궤적에 대한 접근법의 효용성을 입증합니다.

arXiv:2607.09745v2cs.AI공통 태그 Time Series

SupplyNetPy: 임의 공급망 및 재고 네트워크의 고충실도 모델링과 시뮬레이션을 위한 오픈소스 Python 라이브러리

SupplyNetPy: An Open-Source Python Library for High-Fidelity Modeling and Simulation of Arbitrary Supply Chain and Inventory Networks

본 논문은 임의의 다단계 구조를 갖는 공급망 네트워크의 모델링 및 이산 사건 시뮬레이션을 위한 오픈소스 Python 라이브러리인 SupplyNetPy를 소개한다. 이 라이브러리는 다양한 보충 정책, 부패 가능 재고, 노드(node) 장애, 확률적 수요 및 리드 타임을 지원한다. 모든 컴포넌트는 상속을 통해 확장 가능하다. 사용자는 노드와 링크 속성을 가진 그래프로 공급망을 기술하며, 라이브러리는 시뮬레이션을 처리하고 로그 및 노드·네트워크 수준의 상세 성능 보고서를 제공한다. 본 논문은 SupplyNetPy의 개발 동기, 설계, 주요 기능, 아키텍처와 함께 상세한 검증(validation) 결과(분석적 벤치마크, 상용 도구, 발표된 사례 연구와의 비교)를 제시한다. SupplyNetPy 개발의 핵심 동기는 복잡한 모델의 프로그래밍 방식 생성 및 시뮬레이션으로, 설계 공간 탐험(exploration), 가상 시나리오 분석, 학습(training) 데이터 생성, 공급망 디지털 트윈을 가능하게 하는 데 있다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.