مقاله در تصمیم گیری های سرمایه گذاری صندوق کدام یک مهمتر است؟یک چارچوب یادگیری از نمودار چند دانه نمایی ازهم گسیخته

چکیده

In this paper, we highlight that both conformity and risk preference matter in making fund investment decisions beyond personal interest and seek to jointly characterize these aspects in a disentangled manner. Consequently, we develop a novel M ulti-granularity Graph Disentangled Learning framework named MGDL to effectively perform intelligent matching of fund investment products. Benefiting from the well-established fund graph and the attention module, multi-granularity user representations are derived from historical behaviors to separately express personal interest, conformity and risk preference in a fine-grained way. To attain stronger disentangled representations with specific semantics, MGDL explicitly involve two self-supervised signals, i.e., fund type based contrasts and fund popularity. Extensive experiments in offline and online environments verify the effectiveness of MGDL.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله ، ما تأکید می کنیم که هم انطباق و هم ترجیح ریسک در تصمیم گیری سرمایه گذاری صندوق فراتر از منافع شخصی و به دنبال توصیف مشترک این جنبه ها به روشی متمایز است.در نتیجه ، ما یک چارچوب یادگیری رمان upli-judugulary رمان را به نام MGDL تقسیم می کنیم تا به طور مؤثر تطبیق هوشمندانه محصولات سرمایه گذاری صندوق را انجام دهیم.با بهره گیری از نمودار صندوق های تثبیت شده و ماژول توجه ، بازنمایی های کاربر چند گرانوایی از رفتارهای تاریخی گرفته شده است تا به طور جداگانه علاقه شخصی ، انطباق و ترجیح خطر را به روشی ریز و درشت بیان کند.برای دستیابی به بازنمایی های جدا شده قوی تر با معناشناسی خاص ، MGDL صریحاً شامل دو سیگنال خودرسیک شده ، یعنی تضادهای مبتنی بر نوع صندوق و محبوبیت صندوق است.آزمایش های گسترده در محیط های آفلاین و آنلاین اثربخشی MGDL را تأیید می کند.