💰 quantitative finance

OrderFusion: Encoding Orderbook for End-to-End Probabilistic Intraday Electricity Price Forecasting

本論文は、連続的な日内電力注文簿の完全な相互作用構造を捉えるための新規な順序融合手法を活用し、市場流動性の異なる条件下における価格予測において従来のベースラインを上回る性能を発揮しつつ、交差しない分位数推定を確保するエンドツーエンドのパラメータ効率型確率予測モデル「OrderFusion」を提案する。

原著者： Runyao Yu, Yuchen Tao, Fabian Leimgruber, Tara Esterl, Jochen Stiasny, Derek W. Bunn, Qingsong Wen, Hongye Guo, Jochen L. Cremer

公開日 2026-05-12

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Runyao Yu, Yuchen Tao, Fabian Leimgruber, Tara Esterl, Jochen Stiasny, Derek W. Bunn, Qingsong Wen, Hongye Guo, Jochen L. Cremer

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

以下は、論文「OrderFusion」を平易な言葉と創造的な比喩を用いて解説したものです。

全体像：電力の次価格を予測する

電力市場を巨大な工場ではなく、眠らないにぎやかなオンラインオークションハウスだと想像してみてください。「デイアヘッド市場」が、毎日一度だけ入札が行われるスケジュールされたオークションだとすれば、**連続時間内市場（CID）**は、生々しく混沌とした株式取引所のようなものです。買い手と売り手は、電力が実際に納入される瞬間までポジションを調整しようと、絶えず新しい価格と数量を叫び合っています。

この論文の目的は、今後数時間後の電力価格を予測する「水晶玉」を作ることです。しかし、単に一つの数字を推測する（例：「50 ドルになるだろう」）のではなく、著者たちは可能性の範囲を予測したいと考えています（例：「45 ドルから 55 ドルの間である可能性が高いが、80 ドルまで急騰する可能性もある」）。これを確率的予測と呼び、電力会社がリスクを管理する際に役立ちます。

問題点：従来の方法は単純すぎた

以前、人々は「注文簿」（すべての買い注文と売り注文のリスト）を見てこれらの価格を予測しようとしていましたが、主に 2 つの方法があり、どちらも欠点がありました。

「要約シート」アプローチ（1 次元符号化）：2 人の間の複雑な会話を理解しようとして、彼らが言ったことの要約だけを読むようなものです。従来の方法は、買い注文と売り注文を混ぜ合わせ、単純な平均（例えば過去 15 分間の平均価格など）を計算しました。
- 欠点： これは会話を無視しています。売り手が価格を下げたのを見て、買い手が入札価格を上げたという事実を見逃してしまいます。市場を静的なリストとして扱い、動的な相互作用として捉えていません。
「重機」アプローチ（2 次元符号化）：他の研究者たちは、生の注文リストを大規模で複雑な AI モデル（高度なトランスフォーマーなど）に投入しようとしました。
- 欠点： これらのモデルは、ナッツを割るために金槌を使うようなものです。巨大で、多くの計算能力を必要とし、買い手と売り手がどのように相互作用するかを「知らない」ため、すべてゼロから学習しなければなりません。しばしば混乱し、不可能な予測（例えば、10% の確率で価格が下がるよりも、90% の確率で価格が下がる、といった予測）を生み出します。

解決策：OrderFusion（「ダンスパートナー」モデル）

著者たちはOrderFusionと呼ばれる新しいモデルを作成しました。これは、買い手と売り手の間のダンスを理解するモデルだと考えてください。

1. 「デュアルマスク」（ノイズのフィルタリング）
騒がしい部屋では、10 年前に誰かが言ったことすべてを聞くのではなく、今言われていることに耳を傾けます。このモデルは「デュアルマスク」を使用して、古くて無関係な取引を無視し、最も最近の相互作用にのみ焦点を当てます。モデルが現在の会話を明確に聞き取れるよう、「雑音」をフィルタリングします。

2. 「反復融合」（ダンス）
これが中核的な革新です。買い手と売り手を別々に見るのではなく、モデルは彼らを同じ部屋に集め、互いに繰り返し「会話」させます。

ステップ 1： モデルは買い手を見ます。
ステップ 2： 売り手を見ます。
ステップ 3： 「売り手が直前に何をしたかを見た場合、買い手の見方はどう変わるか？」と問いかけます。
ステップ 4： 理解を更新します。
この「融合」プロセスを数回繰り返します。これにより、モデルは取引の背後にある戦略を学習できます。「ああ、売り手が価格を下げると、買い手は通常すぐに飛びつくんだな」と気づくのです。

3. 「階層的ヘッド」（整然とした家族）
確率を予測する際、一般的な間違いに「分位点の交差」があります。天気予報を想像してください：10% の確率で雨が降る予測が、90% の確率で雨が降る予測よりも高くなってしまうことがあります。それは理にかなっていません。

著者たちは、厳格な親のような「階層的ヘッド」を構築しました。これはまず中央の価格を予測し、その中央の上に高い予測と低い予測を構築することで、それらが互いに交差しないようにします。これにより、数学的論理が保たれ、予測の信頼性が維持されます。

結果：小さくとも強力

著者たちは、非常に忙しく交通量が多いドイツの電力市場と、それほど忙しくなく交通量が少ないオーストリアの電力市場で、このモデルをテストしました。

精度： OrderFusion は、巨大な「重機」AI モデルや単純な「要約シート」モデルを含む、他のすべてのモデルを凌駕しました。繁忙時でも閑散時でも、価格をより正確に予測しました。
効率性： ここが最も印象的です。巨大な AI モデルは数百万のパラメータ（数百万のニューロンを持つ脳のようなもの）を持っていましたが、OrderFusion はわずか4,872 のパラメータでより良い結果を達成しました。
- 比喩： スーパーコンピュータではなく、シンプルで軽量なポケット電卓を使って超正確な天気予報を構築するようなものです。これにより、標準的なラップトップで簡単に実行できるようになり、高価なハードウェアなしで素早い意思決定を必要とする電力会社にとって素晴らしいものです。

重要な要点

この論文は、電力市場において、買い手と売り手が何を取引するかと同じくらい、どのように相互作用するかも重要であることを証明しています。この相互作用（「ダンス」）を明示的にシミュレートし、数学的論理を維持する（「厳格な親」）モデルを構築することで、電力価格をこれまで以上に速く、少ない計算能力で、より正確に予測できるようになります。

この論文が主張していないこと：

このモデルが来年や来世紀の価格を予測できるとは主張していません。これは厳密に短期的な時間内予測のためのものです。
この特定のバージョンでは、気象データや燃料費（外生的要因）を使用すると主張していません。注文簿データにのみ依存しています。
すべてのエネルギー問題を解決すると主張しているのではなく、短期的な価格変動のリスクを管理するためのより良いツールを提供していると主張しています。

技術的サマリー：OrderFusion

問題定義

確率的な日内電力価格予測は、再生可能エネルギーの発電と需要側の柔軟性の増加により、供給直前の不確実性が高まる中で、短期電力システム運用にとって極めて重要である。日前オークション市場とは異なり、連続日内（CID）市場は買い注文と売り注文の継続的な提示を通じて運営され、動的な注文帳簿のマイクロストラクチャーを形成する。

現在の予測手法には、主に 2 つの限界がある：

相互作用構造の喪失：従来の手法は、注文帳簿データを 1 次元ドメイン特徴量（例：出来高加重平均価格、最終価格）に集約するか、注文帳簿を一般的な 2 次元多変量時系列として扱うかのいずれかである。どちらのアプローチも、注文帳簿に内在する特定の戦略的売買相互作用構造を無視している。
分位点の交差：確率的予測において、複数の分位点を独立して推定すると、より高い分位点の予測値がより低い分位点の予測値を下回る「分位点の交差」が発生し、予測分布の単調性を違反する。事後ソートなどの既存の解決策は、エンドツーエンドの学習パラダイムを破綻させる。

手法：OrderFusion

著者らは、注文帳簿データをエンコードしつつ、明示的に売買相互作用を捉え、交差しない確率的予測を確保するように設計された、エンドツーエンドかつパラメータ効率の高い深層学習モデル「OrderFusion」を提案する。

1. エンコーディング

モデルは注文帳簿を買い（ $+$ ）側と売り（$- $）側に分離する。各取引は、価格、出来高、および供給までの残り時間をエンコードする相対時間デルタ（$ \nabla t$）の 3 つ組として表現される。これにより、サンプルごとに 2 つの変動長 2 次元シーケンスが生成される。

2. バックボーンアーキテクチャ

バックボーンは、以下の 3 つの主要コンポーネントを通じてこれらのシーケンスを処理する：

デュアルマスキング層：不規則な取引数に対処し、市場効率仮説に基づいて直近の情報を優先するために、モデルは以下の処理を適用する：
- パディングマスク：シーケンスを最大長に揃えるため。
- 時間的マスク：最も直近の $L$ 件の取引のみを保持し、古いデータを破棄するため。
反復融合層：これは相互作用をモデル化するための中核メカニズムである。これは、買い側と売り側の表現をクロスアテンションを用いて反復的に融合する $K$ $K$ 層のシリーズを採用する。
- 次数 $k=0$ において、入力は隠れ次元に射影される。
- $k \ge 1$ において、一方の側の表現（Query）が反対側の側の表現（Key/Value）にアテンションする。これにより、モデルは買い手が売り手にどう適応し、その逆もまた然りかを学習できる。
集約層：すべての相互作用次数（ $k=1$ から $K$ ）からの表現は、残差結合を通じて結合され、グローバル平均プーリングを用いて集約され、最終的な潜在表現を形成する。

3. 階層的ヘッド

分位点の交差なしに確率的予測を生成するために、モデルは階層的ヘッドを使用する：

中央値分位点（ $\tau=0.50$ ）は直接予測される。
上位分位点は、中央値に非負の残差を加えたものとして予測される。
下位分位点は、中央値から非負の残差を引いたものとして予測される。
この構造は、構築上単調性を強制し、事後修正の必要性を排除する。

4. 損失関数

モデルは、複数の分位点を共同で推定するために、平均分位点損失（AQL）を用いて訓練される。

主要な貢献

定式化：本論文は、確率的 CID 価格指数予測を、マイクロストラクチャーを考慮した電力システム経済学の問題として定式化し、不確実性を考慮したポジション調整の必要性を強調している。
モデル設計：OrderFusion は、反復的クロスアテンション機構を通じて明示的に売買相互作用をエンコードするパラメータ効率の高いモデルとして導入され、一般的な時系列モデルのパラメータ膨張を回避する。
分位点の処理：本手法は、エンドツーエンドの枠組み内で交差しない分位点を保証する階層的ヘッドを導入する。
実証的検証：著者らは、流動性の高い（ドイツ）市場と流動性の低い（オーストリア）市場の両方において包括的な実験を行い、ベースラインに対して一貫した改善を示した。

実験結果

モデルは、ローリングウィンドウ評価を用いてドイツおよびオーストリアの CID 市場で評価された。

ベースラインとの性能比較：OrderFusion は、Naïve モデル、1 次元エンコーディング手法（VWAP、最終価格、網羅的な特徴量を用いた MLP/LQR）、および最先端の 2 次元時系列モデル（FEDFormer、iTransformer、PatchTST、TimesNet、TimeXer）を含むすべてのベースラインを上回った。
- ドイツ市場において、OrderFusion は 3.81（次点の TimesNet は 4.38）という最低の平均分位点損失（AQL）を達成し、9.06 という最低の平均絶対誤差（MAE）を記録した。
- オーストリア市場では、AQL が 5.64、MAE が 13.52 となり、再び首位を占めた。
分位点の交差：OrderFusion はすべてのテストで平均分位点交差率（AQCR）0.00% を達成したのに対し、2 次元エンコーディングベースラインは 1.97% から 4.97% の交差率を示した。
パラメータ効率：OrderFusion はわずか 4,872 個のパラメータしか使用せず、2 次元エンコーディングベースラインが使用する 0.87M から 3.38M 個のパラメータよりも大幅に少ない。これにより、リソース制約のある運用展開に適している。
アブレーション研究：
- デュアルマスキング層を除去すると AQL が 30.51% 増加し、ノイズをフィルタリングし直近の取引に焦点を当てることの重要性が浮き彫りになった。
- 反復融合層を除去すると AQL が 18.86% 増加し、売買の帰納的バイアスが重要であることを確認した。
- 最適な相互作用次数（ $K$ ）は 2 であることが判明し、より高い次数は有意な改善をもたらさなかった。
- 階層的ヘッドは、事後ソートの計算オーバーヘッドなしに、分位点の交差を成功裏に排除した。

意義と主張

本論文は、OrderFusion が、一般的な時系列モデルを超えて売買相互作用のマイクロストラクチャーを明示的にモデル化することで、CID 市場の固有の課題に対処していると主張する。結果は、CID 市場が完全な弱形効率性を示さないことを示唆しており、過去の注文フローには最終取引価格を超えた予測情報を含んでいる。

著者らは、モデルアーキテクチャにドメイン事前知識（特に売買相互作用の構造）を注入することが、単にパラメータを積み重ねるよりも効果的であることを強調している。この手法は、さまざまな流動性レベルの市場に汎用化可能な、堅牢なエンドツーエンドの運用リスク管理ソリューションとして提示されている。著者らは、モデルが良好に機能する一方で、将来の研究では外生的変数（例：需給のファンダメンタルズ）や隣接する供給期間からの取引を取り入れる可能性があるが、現在の範囲は注文帳簿のマイクロストラクチャーに厳密に限られていると指摘している。