技術要約: FinMamba

問題定義

株価変動予測は、金融データの高いボラティリティ、低い信号対雑音比（S/N比）、および市場の影響力の複雑かつ多面的な性質により、極めて重要かつ困難な課題である。既存のディープラーニング手法には、主に以下の2つの限界がある：

1. 静的または偏った銘柄間関係: 現在のモデルは、静的な事前知識（例：産業セクター）や、純粋にデータ駆動型の事後相関（例：ピアソン係数）に依存することが多く、動的な市場環境を十分に考慮できていない。具体的には、マクロ経済要因によって駆動される、市場の下落局面で銘柄間の相関が強まり（システムリスク）、上昇局面で弱まるという現象を捉えることができていない。
2. 非効率性とパターン認識: Transformerのような従来のシーケンスモデルは、二次的な計算複雑性により長い履歴データの処理に苦しみ、繰り返されるパターンよりも外れ値を過度に強調してしまう傾向がある。逆に、リアルタイム取引に必要な低レイテンシを維持しながら、複数の時間スケール（ミクロレベルの分単位の変動からマクロレベルの経済トレンドまで）にわたる依存関係を効率的にモデル化する能力に欠けている。

手法

著者らは、これらの限界に対処するために、Market-Aware Graph (MAG) と Multi-Level Mamba (MLM) アーキテクチャを統合したフレームワークである FinMamba を提案している。

1. Market-Aware Graph (MAG)

MAGモジュールは、静的な事前知識と動的な事後相関を融合させ、市場指数のフィードバックによって洗練させることで、銘柄間の関係を動的にモデル化する。

• 動的な銘柄相関グラフの生成: モデルは、以下の要素を組み合わせて隣接行列 $A_t$ を構築する：
  • 事後相関 ($Q$): 短期的なシーケンスの類似性を捉えるため、ルックバックウィンドウ $L$ におけるスピアマン係数を用いて毎日算出される。
  • 事前関係 ($D$): 一次および二次産業分類に基づく長期的な構造的関係をエンコードした「産業減衰行列（Industry Decay Matrix）」であり、同一産業内の銘柄に対して高い重みを割り当てる。
  • 最終的な隣接行列は $A_t = Q_t \cdot D$ として計算される。
• 市場認識型グラフのスパース化（Sparsification）: 市場のボラティリティに適応するため、モデルは枝刈りメカニズムを採用している。モデルは、ターゲットとなる銘柄セットの平均値で表される市場指数 $M_t$ に基づいて、スパース性レベル $\kappa_t$ を算出する。InceptionブロックとSigmoid関数を用いて、保持するエッジの数を決定する。
  • メカニズム: 市場指数が低いとき（ボラティリティが高い／危機時）、モデルはより多くのエッジを保持する（相関が高まる）。市場指数が高いとき、モデルはより多くのエッジを削減し、銘柄間の乖離を反映させる。
• グラフアテンション集約: マルチヘッドアテンションメカニズムを用いて、削減されたグラフ内の隣接ノードからのメッセージを集約し、洗練された銘柄エンベディングを生成する。

2. Multi-Level Mamba (MLM)

MLMモジュールは、銘柄エンベディングを処理して、異なる粒度における時間的依存関係を捉える。

• マルチレベル投影: 入力は線形写像を介して $k$ 個の異なるレベルに投影される。これにより、モデルは微細なローカルの詳細（ミクロレベル）と、より広範なグローバルなパターン（マクロレベル）を同時に抽出できる。
• 選択的状態空間メカニズム: 各レベルはMambaブロックによって処理される。Transformerとは異なり、Mambaは選択的メカニズムを利用しており、現在の入力に関連する特定の履歴パターンを想起しつつ、無関係な情報を破棄することができる。これにより、モデルは線形な時間複雑度とメモリ消費量で長いシーケンスを扱うことが可能となる。
• 出力: すべてのレベルからの出力は再投影・結合され、線形層を通過して翌営業日のランキングスコアを予測する。

3. 最適化

モデルは、以下の組み合わせ損失関数を用いてエンドツーエンドで学習される：

• ランクおよび予測損失 ($L_{RP}$): ポイントワイズな回帰のための平均二乗誤差（MSE）と、銘柄の相対的な順序を最適化するためのペアワイズランキング損失の組み合わせ。
• グラフ情報ボトルネック (GIB) 損失 ($L_{GIB}$): 集約されたグラフエンベディングと元の入力との間の相互情報を最小化するように設計された正則化項であり、モデルがノイズをフィルタリングしながら主要な相関情報を保持することを保証する。

主な貢献

本論文は以下の貢献を主張している：

• 市場認識型グラフの構築: 特定のマクロ経済的市場条件下における銘柄間関係のモデリングを明示的に強化した最初の研究である。これは、静的な事前知識（産業）と動的な事後（価格シーケンス）を統合し、市場トレンドに基づいて相関を適応的に調整するために市場指数のフィードバックを用いて洗練させている。
• FinMambaフレームワーク: Market-Aware GraphとMulti-Level Mambaを組み合わせた新しいアーキテクチャの提案。このフレームワークは、高い計算効率を維持しながら、複数の時間スケール（ミクロからマクロ）にわたるパターン指向の依存関係を効果的にモデル化する。
• 最先端の性能: 米国（S&P 500, NASDAQ 100）および中国（CSI 300, CSI 500）の株式市場における広範な実験により、FinMambaが既存の定量的投資手法や一般的な時系列予測モデルと比較して、優れた予測精度とトレーディング収益性を達成していることが示されている。

実験結果

著者らは、古典的な定量的戦略（BLSW, CSM）、深層強化学習手法（AlphaStock）、および様々なディープラーニングアーキテクチャ（Transformer, Mamba, THGNN, PatchTSTなど）を含む幅広いベースラインに対してFinMambaを評価した。

• パフォーマンス指標: モデルは、年間収益率（ARR）、年間ボラティリティ（AVol）、最大ドローダウン（MDD）、年間シャープレシオ（ASR）、および情報比（IR）を用いて評価された。
• 知見:
  • FinMambaは、ほとんどの指標において4つのデータセットすべてで最高または2番目の結果を達成した。特にARR、ASR、およびIRにおいて顕著であった。
  • グラフベースの銘柄間関係モデリングを欠く一般的な時系列予測モデル（例：Crossformer, iTransformer）を上回った。
  • 市場指数のフィードバックをグラフ構造に効果的に組み込むことにより、他のグラフベースの手法（例：THGNN, VGNN）を凌駕した。
  • アブレーション研究: 産業減衰行列、市場認識型スパース化、またはMulti-Level Mamba構造のいずれかを除去すると、大幅な性能低下を招いた。これは各コンポーネントの必要性を裏付けている。
  • 効率性: ルックバックホライゾンが増加するにつれて、FinMambaはTransformerベースのモデルと比較して、より低い推論時間とメモリ使用量を示し、その線形複雑度の優位性を証明した。
  • ケーススタディ: 2023年の自動車労使ストライキの分析により、FinMambaが伝統的な自動車メーカー（GM、フォード）とテスラとの間の進化する相関ダイナミクスを正常に捉え、明確な市場ポジションから激化する競争へと変化したことを示した。

意義と主張

本論文は、動的な市場への適応性と計算効率の両方の課題に対処することで、FinMambaを定量的トレーディングにおける重要な進歩として位置づけている。著者らは、マクロ経済的な市場フィードバックをグラフ構築プロセスに直接統合することで、モデルが市場のダイナミクス、特にボラティリティの高い時期におけるダイナミクスをより良く理解できると主張している。さらに、Multi-Level Mambaアーキテクチャを使用することで、アテンションメカニズムの計算負荷なしに、マルチスケールの時間的パターンを効率的に抽出できるため、リアルタイムのアルゴリズム取引に適している。本研究は、グラフベースの構造的事前知識とMambaの選択的状態空間モデリングを組み合わせることが、金融時系列予測のための堅牢なパラダイムを提供することを示唆している。