💰 quantitative finance

Vector-Quantized Discrete Latent Factors Meet Financial Priors: Dynamic Cross-Sectional Stock Ranking Prediction for Portfolio Construction

Das Papier stellt PRISM-VQ vor, ein dynamisches Faktorframework, das Expertenprioris mit vektorquantisierten diskreten latenten Faktoren und einem strukturbedingten Mixture-of-Experts integriert, um die Vorhersage von Aktienrenditen im Querschnitt und die Portfolioleistung zu verbessern und gleichzeitig die Interpretierbarkeit zu bewahren.

Ursprüngliche Autoren: Namhyoung Kim, Jae Wook Song

Veröffentlicht 2026-05-14

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Namhyoung Kim, Jae Wook Song

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie versuchen vorherzusagen, welche Aktien in einem riesigen Markt morgen steigen oder fallen werden. Es ist wie der Versuch, ein einziges Flüstern in einem Hurrikan zu hören. Das Signal (der wahre Grund für eine Aktienbewegung) ist sehr schwach, und das Rauschen (zufälliger Marktlärm) ist überwältigend.

Die Studie stellt ein neues KI-System namens PRISM-VQ vor, um dieses Problem zu lösen. Stellen Sie es sich als einen High-Tech-„Prisma" vor, der das chaotische, unordentliche Licht des Aktienmarktes aufnimmt und in einen sauberen, organisierten Regenbogen aus Mustern zerlegt.

So funktioniert es, aufgeteilt in einfache Schritte:

1. Das Problem: Der „Lärmvolle Raum"

Traditionelle Methoden sind wie der Versuch, das Wetter vorherzusagen, indem man auf ein einziges Thermometer schaut; sie sind zu starr. Neuere KI-Methoden sind wie ein superschneller Computer, der basierend auf Mustern ratet, aber sie werden oft durch das Rauschen verwirrt und vergessen die grundlegenden Regeln der Wirtschaft (wie „niedrige Preise bedeuten normalerweise Wert").

2. Die Lösung: Der „PRISM"-Ansatz

Die Autoren entwickelten ein zweistufiges System, das wie ein Filter und ein intelligentes Team von Experten funktioniert.

Stufe 1: Der „Diskrete Filter" (Vektorquantisierung)

Stellen Sie sich vor, Sie haben einen riesigen Eimer mit durcheinandergeratenen Lego-Steinen (Aktiendaten). Einige sind rot, einige blau, einige kaputt und einige nur Staub.

Was PRISM tut: Es zwingt diese Steine in spezifische, vordefinierte „Eimer" (ein Codebuch genannt). Anstatt zu sagen, ein Stein sei „50 % rot und 51 % blau", trifft es eine Entscheidung: „Dieser Stein gehört definitiv zum Roten Eimer Nr. 42."
Warum das hilft: Indem es die Daten in diese festen Eimer schnappt, ignoriert das System den winzigen, zufälligen Staub (Rauschen) und behält nur die starken, sich wiederholenden Muster. Es ist wie das Sortieren eines unordentlichen Haufens Post in 500 spezifische Briefkästen; einmal sortiert, können Sie die Muster klar erkennen.
Der „Kontrastive"-Trick: Das System lernt auch sicherzustellen, dass Steine, die zusammengehören, im selben Eimer sind, und Steine, die unterschiedlich sind, weit auseinander gedrückt werden. Dies erstellt eine saubere Karte der Marktstruktur.

Stufe 2: Das „Intelligente Team" (Mixture-of-Experts)

Jetzt, wo die Daten in saubere Eimer sortiert sind, muss das System die Zukunft vorhersagen.

Das Setup: Stellen Sie sich ein Team aus 8 verschiedenen Finanzexperten vor (wie einen Value-Experten, einen Growth-Experten, einen Momentum-Experten).
Der Schalter: In der Vergangenheit versuchte ein KI-Modell, alles zu erledigen. Bei PRISM dient der „Eimer", in den die Aktie in Stufe 1 sortiert wurde, als Schalter.
- Fällt eine Aktie in „Eimer Nr. 42" (der ein spezifisches Marktmuster repräsentiert), leitet das System diese Aktie automatisch an Experte Nr. 6 weiter.
- Fällt sie in „Eimer Nr. 10", geht sie an Experte Nr. 2.
Das Ergebnis: Jeder Experte ist auf eine bestimmte Art von Marktbedingung spezialisiert. Sie versuchen nicht alle gleichzeitig zu raten; der richtige Experte wird für die richtige Situation hinzugezogen. Dies macht die Vorhersage viel genauer und anpassungsfähiger.

3. Das „Sicherheitsnetz" (Finanzielle Priors)

Das System lernt nicht einfach von Grund auf neu; es respektiert die „alten Regeln" der Finanzen.

Stellen Sie sich die KI als Schüler vor. Die „Finanziellen Priors" sind die Lehrbücher, die der Schüler lesen muss.
Das System erhält etablierte wirtschaftliche Faktoren (wie „Value", „Größe" und „Momentum") als Ausgangspunkt. Es nutzt diese als Anker, um sicherzustellen, dass seine wilden Ratschläge nicht zu weit von der Realität abweichen. Dies hält das Modell stabil, selbst wenn der Markt verrückt spielt.

4. Die Ergebnisse: Ein besseres Portfolio

Die Autoren testeten dieses System auf zwei großen Märkten: dem CSI 300 (China) und dem S&P 500 (USA).

Die Punktzahl: Im Vergleich zu anderen führenden KI-Modellen und traditionellen Methoden sagte PRISM-VQ konsequent die Aktienrankings besser voraus.
Das Geld: Als sie ein Portfolio (einen Korb von Aktien) basierend auf diesen Vorhersagen zusammenstellten, erzielten sie mehr Gewinn bei weniger Risiko (eine höhere „Sharpe Ratio") und weniger große Verluste (geringeres „Drawdown").
Das „Warum": Das System funktionierte, weil es erfolgreich das Rauschen herausfilterte (Stufe 1), den richtigen Experten für die richtige Situation einsetzte (Stufe 2) und die grundlegenden Regeln der Wirtschaft nicht vergaß (Priors).

Zusammenfassende Analogie

Stellen Sie sich den Aktienmarkt als eine überfüllte, laute Tanzfläche vor.

Alte KI versucht, den nächsten Zug vorherzusagen, indem sie allen zuhört, die gleichzeitig schreien.
PRISM-VQ setzt zuerst alle in spezifische, ruhige Räume basierend darauf, wie sie tanzen (Stufe 1: Vektorquantisierung). Dann schickt es einen spezialisierten Tanzlehrer in jeden Raum, um den nächsten Schritt zu lehren (Stufe 2: Mixture-of-Experts). Schließlich erinnert es die Trainer an die Grundschritte des Tanzes (Finanzielle Priors).

Das Ergebnis ist eine viel klarere, genauere Vorhersage darüber, wohin sich die Tänzer (Aktien) als Nächstes bewegen werden.

Technische Zusammenfassung: PRISM-VQ

Problemstellung

Die Vorhersage von Querschnittsrenditen von Aktien ist eine grundlegende Herausforderung im quantitativen Finanzwesen, die auf drei Hauptprobleme zurückzuführen ist: persistierend niedrige Signal-Rausch-Verhältnisse (SNR), komplexe und sich entwickelnde Querschnittsabhängigkeiten zwischen Vermögenswerten sowie häufige Regimewechsel am Markt. Klassische lineare Faktormodelle bieten Interpretierbarkeit, fehlen jedoch die Flexibilität, nichtlineare Interaktionen und zeitlich veränderliche Dynamiken abzubilden. Umgekehrt leiden Deep-Learning-Ansätze, obwohl leistungsfähig, oft unter unzureichender Regularisierung in verrauschten Umgebungen, können sich nicht an sich entwickelnde Querschnittsstrukturen anpassen und nutzen etablierte finanzwirtschaftliche A-priori-Wissen unzureichend aus. Bestehende Methoden kämpfen typischerweise damit, die Ausdruckskraft neuronaler Netze mit der für die Portfolio-Konstruktion erforderlichen Interpretierbarkeit und Robustheit in Einklang zu bringen.

Methodik: PRISM-VQ

Die Autoren schlagen PRISM-VQ (PRior-Informed Stock Model with Vector Quantization) vor, ein einheitliches Framework, das entwickelt wurde, um diese Einschränkungen durch ein zweistufiges Lernparadigma zu überwinden, das diskrete Repräsentationslernen, strukturkonditionierte zeitliche Modellierung und domänenspezifische A-priori-Wissen integriert.

1. Kernarchitektur

PRISM-VQ zerlegt das Problem in Räumliches Lernen (Stufe 1) und Zeitliches Lernen (Stufe 2):

Stufe 1: Räumliches Lernen (Entdeckung diskreter Faktoren)
- Ziel: Entdeckung einer wiederverwendbaren, diskreten Querschnittsstruktur, die als Informationsengpass fungiert, Rauschen unterdrückt und gleichzeitig die Marktstruktur bewahrt.
- Mechanismus: Zeitliche Merkmale für jede Aktie werden über eine GRU kodiert und anschließend von einem Cross-Asset-Transformer verarbeitet, um Querschnittsinformationen zu aggregieren. Diese kontinuierlichen Embeddings werden mittels Vektorquantisierung (VQ) gegen ein lernbares Codebuch diskretisiert.
- Regularisierung: Um sicherzustellen, dass die diskreten Codes semantisch sinnvoll und keine willkürlichen Partitionen sind, setzt das Modell folgende Verfahren ein:
  - Kontrastives Lernen: Vergrößert den Abstand zwischen zugewiesenen Codewörtern und konkurrierenden Prototypen.
  - Rekonstruktion: Ein durch FiLM konditionierter Decoder rekonstruiert Eingangsmerkmale aus den quantisierten Codes.
  - Multi-Horizont-Vorhersage: Eine auxiliary-Aufgabe prognostiziert zukünftige Renditen, um die Codes mit zukunftsgerichteten Signalen in Einklang zu bringen.
- Ausgabe: Jeder Aktie wird ein diskreter Code $z_{q,i}$ zugewiesen, der als latenter Faktorwert und strukturelles Signal dient.
Stufe 2: Zeitliches Lernen (Dynamische Faktorladungen)
- Ziel: Generierung zeitlich variierender Faktorladungen, konditioniert auf die erlernte Querschnittsstruktur.
- Mechanismus: Ein Strukturkonditioniertes Mixture-of-Experts (MoE), das auf Transformer-Architekturen basiert.
- Routing: Der diskrete Code $z_{q,i}$ aus Stufe 1 fungiert als Gate-Signal. Er bestimmt, welche Experten (Subnetze) für eine bestimmte Aktie zu einem bestimmten Zeitpunkt aktiviert werden.
- Faktorenintegration: Das Modell generiert dynamische Ladungen sowohl für Expert-A-priori-Faktoren (z. B. Value, Momentum aus der JKP Global Factor Library) als auch für die erlernten latenten Faktoren. Die endgültige Vorhersage ist eine lineare Kombination: $y_i = \alpha_i + \beta_{p,i}^T f_p + \beta_{l,i}^T f_{l,i}$ .
- Training: Das Codebuch wird nach Stufe 1 eingefroren. Stufe 2 optimiert die Parameter des zeitlichen Transformers und des MoE end-to-end unter Verwendung eines Regularisators zur Lastverteilung, um den Kollaps der Experten zu verhindern.

2. Wichtige Designentscheidungen

Vektorquantisierung als induktive Verzerrung: Durch die Abbildung kontinuierlicher Embeddings auf eine endliche Menge von Prototypen unterdrückt das Modell idiosynkratisches Rauschen und fördert die Wiederverwendung stabiler Querschnittsmuster.
Diskret-Code-gesteuertes MoE: Dieser Mechanismus ermöglicht es dem Modell, verschiedene Experten für unterschiedliche, durch die diskreten Codes identifizierte Marktregime zu spezialisieren, was adaptive Faktorladungen ohne Verzicht auf Interpretierbarkeit erlaubt.
Zweistufige Entkopplung: Die Trennung der Strukturerkennung von der zeitlichen Modellierung verhindert den Kollaps des Codebuchs und erzwingt einen klaren Informationsengpass, wodurch sichergestellt wird, dass das zeitliche Modell auf einer stabilen Repräsentation der Marktstruktur konditioniert.

Hauptbeiträge

Einheitliches Framework: PRISM-VQ ist das erste Framework, das vektorquantisierte diskrete Faktoren, kontrastives Repräsentationslernen, Expert-A-priori-Faktoren und diskret-code-konditionierte zeitliche Modellierung innerhalb eines einzigen faktorbasierten Modells integriert.
Effektive induktive Verzerrung: Die Arbeit zeigt, dass Vektorquantisierung eine robuste induktive Verzerrung für das finanzwirtschaftliche Repräsentationslernen bietet und in Umgebungen mit niedrigem SNR kontinuierliche latente Alternativen konsistent übertrifft.
Strukturkonditionierte Dynamik: Die Einführung eines diskret-code-gesteuerten MoE ermöglicht die Generierung dynamischer Faktorladungen, die sich an sich entwickelnde Marktstrukturen anpassen, während eine klare Faktorinterpretation erhalten bleibt.
Empirische Validierung: Umfassende Experimente an den Märkten CSI 300 und S&P 500 zeigen konsistente Verbesserungen gegenüber starken Baselines.

Experimentelle Ergebnisse

Das Modell wurde an den Märkten CSI 300 (China) und S&P 500 (USA) unter Verwendung von Daten aus den Jahren 2022–2024 (strikte Out-of-Sample) evaluiert.

Leistungsmetriken:
- CSI 300: Erzielte einen RankIC von 0,0646 und eine Sharpe-Ratio von 1,57 und übertraf dabei alle Baselines, einschließlich Transformer-basierter Modelle (z. B. DTML, MASTER) und Autoencoder-Varianten.
- S&P 500: Erzielte einen RankIC von 0,0141 und eine Sharpe-Ratio von 0,67, was einer Verbesserung des RankIC um 58,4 % gegenüber der besten Baseline (DTML) entspricht.
Ablationsstudien:
- Die Entfernung des diskreten Codebuchs führte zu der signifikantesten Leistungsverschlechterung (RankIC sank um ca. 27 % am CSI 300 und wurde am S&P 500 negativ), was die Notwendigkeit des diskreten Engpasses unterstreicht.
- Die Entfernung von Expert-A-priori-Faktoren reduzierte die Leistung erheblich, insbesondere im effizienten S&P-500-Markt, was die regularisierende Rolle von Domänenwissen bestätigt.
- Der Ersatz des MoE durch ein einzelnes Netzwerk senkte die Leistung und validierte die Notwendigkeit einer strukturkonditionierten Spezialisierung.
Interpretierbarkeit:
- t-SNE-Visualisierung: Erlernte Codes bildeten Cluster, die nicht strikt mit Sektortaxonomien oder Marktkapitalisierungen übereinstimmten, was auf die Erfassung reichhaltigerer Querschnittsstrukturen hindeutet.
- Faktor-Exposure: Codes zeigten systematische, aber moderate Korrelationen mit standardmäßigen Finanzfaktoren (z. B. Profitabilität, Momentum), was darauf hindeutet, dass sie multidimensionale Faktorkombinationen erfassen, anstatt einzelne Faktoren zu replizieren.
- Expertenspezialisierung: Unterschiedliche Experten im MoE aktivierten sich unter verschiedenen Marktregimen, mit statistisch unterschiedlichen Aktivierungsmustern und geringer zeitlicher Überlappung.

Bedeutung und Behauptungen

Die Autoren behaupten, dass PRISM-VQ die kritische Lücke zwischen der Interpretierbarkeit klassischer Faktormodelle und der Vorhersagekraft des Deep Learning schließt. Indem Vektorquantisierung als Informationsengpass behandelt und diskrete Codes zur Steuerung von Expertennetzwerken verwendet werden, navigiert das Modell erfolgreich durch das niedrige SNR und die Nicht-Stationarität finanzieller Daten.

Die Arbeit postuliert, dass die Kombination eines diskreten Informationsengpasses mit vorwissensgestützter bedingter Berechnung ein effektives Gestaltungsprinzip für die Vorhersage von Finanzrenditen darstellt. Die Ergebnisse legen nahe, dass dieser Ansatz nicht nur die Ranking-Genauigkeit und die Portfolio-Performance (höhere Sharpe-Ratios, geringere Drawdowns) verbessert, sondern auch die für die Finanzanalyse erforderliche Interpretierbarkeit bewahrt und somit eine robuste Lösung für die Portfolio-Konstruktion in sich wandelnden Marktregimen bietet. Die Autoren betonen, dass ihre Methode nicht auf vordefinierten relationalen Topologien (wie Graphen) basiert, sondern eine implizite Querschnittsstruktur lernt, was die Übertragbarkeit über verschiedene Märkte hinweg verbessert.