EP-GAT: Energy-based Parallel Graph Attention Neural Network for Stock Trend Classification

この論文は、エネルギー差とボルツマン分布に基づく動的な株式グラフと、階層的な株式内ダイナミクスを保持する並列グラフ注意機構を統合した「EP-GAT」を提案し、複数の実世界データセットにおける株価トレンド分類において既存手法を上回る性能を実証したものである。

要約

🎵 従来の方法の悩み：「固定された楽譜」

これまで株価を予測する AI は、2 つの大きな悩みを抱えていました。

1. 「関係性」が固定されすぎている
   • 昔の AI は、「同じ業界（例：自動車メーカー同士）なら仲が良い」という固定されたルールで株同士を結びつけていました。
   • 問題点: でも、実際の市場は天気のように刻一刻と変わります。今日は競合他社と激しく争っているのに、明日は同じ業界の株が一緒に暴落するかもしれません。固定されたルールでは、この「瞬間の空気感」を読み取れません。
2. 「複雑なリズム」を見逃している
   • 株価は、単なる「昨日の値」と「今日の値」の積み重ねではありません。短いスパンの動きと、長いスパンのトレンドが混ざり合った**「階層的なリズム」**を持っています。
   • 問題点: 従来の AI は、このリズムを分析する途中で、重要な細かいニュアンス（ハイライト）を消し去ってしまったり、歪めてしまったりしていました。

---

🚀 新登場！EP-GAT の 2 つの魔法

この論文が提案するEP-GATは、この 2 つの悩みを解決するために、2 つの「魔法」を使います。

1. 魔法のコンパス：「エネルギーとボルツマン分布」で、その瞬間のつながりを作る

• どんな仕組み？
  • 各株を「エネルギーを持つ粒子」だと想像してください。株価の動きが激しければエネルギーが高く、落ち着いていればエネルギーが低いです。
  • この AI は、**「2 つの株のエネルギーの差」**を見て、その瞬間にどの株がどの株に影響を与えているかを計算します。
  • さらに、**「ボルツマン分布（物理学の法則）」**というおまじないをかけます。これは、「温度が高い（市場が荒れている）ときは影響が広がりやすく、温度が低い（落ち着いている）ときは影響が限定的になる」という理屈です。
• アナロジー：
  • 従来の方法は「地図帳」を見て「A 市と B 市は隣だから仲が良い」と判断していました。
  • EP-GAT は、「その瞬間の気象状況（エネルギー）」を見て、「あ、今 A 市と B 市は嵐で一緒に揺れているから、今は強いつながりがある！」とその場その場でリアルタイムに地図を描き変えるようなものです。

2. 魔法のメガネ：「並列グラフ・アテンション」で、リズムを歪めずに見る

• どんな仕組み？
  • 株価のデータは、短いリズム（1 日の動き）と長いリズム（1 ヶ月のトレンド）が重なり合っています。
  • 従来の AI は、このデータを処理するたびに、細かいリズムが潰れてしまいがちでした。
  • EP-GAT は、「並列（パラレル）」という仕組みを使います。これは、「短いリズムのデータ」と「長いリズムのデータ」を別々の道で同時に運び、最後に上手に混ぜ合わせる方法です。
• アナロジー：
  • 従来の AI は、**「長いロープを何度も通して編む」**作業をしていて、途中でロープが伸びて形が崩れてしまうことがありました。
  • EP-GAT は、**「複数の太さのロープを並行して並べ、最後に編み上げる」**方法です。これにより、細かい模様（短期トレンド）も大きな形（長期トレンド）も、どちらもくずれることなく残すことができます。

---

📊 結果：どうだったの？

この新しい AI（EP-GAT）を、アメリカ（ナスダック、NY 証券取引所など）やイギリス（FTSE など）の5 つの実際の市場データでテストしました。

• 結果: 既存の 5 つの有名な AI と比べて、EP-GAT はすべてのテストで勝ちました！
• 特に、市場が激しく動いているときや、複雑な関係性が生まれているときに、その「空気感」を敏感に捉えるのが得意なことがわかりました。

---

💡 まとめ：何がすごいのか？

この論文の核心は、**「株価の予測には、固定されたルールではなく、その瞬間の『エネルギー』と『複雑なリズム』を同時に捉える必要がある」**という発見です。

• エネルギーベースのグラフ生成: 「今、誰が誰に影響を与えているか」をその瞬間ごとに描き変える。
• 並列アテンション: 「細かい動き」と「大きな流れ」を両方、きれいに残して分析する。

まるで、**「市場という巨大なオーケストラの、その瞬間の熱気と、各楽器の繊細なリズムを、指揮者が完璧に聞き分けて指揮棒を振る」**ような AI が誕生したと言えます。

もちろん、まだ「誰が誰を支配しているか（矢印の向き）」を完全には捉えきれていないなどの課題は残っていますが、株価予測の未来にとって、非常に有望な一歩だと言えるでしょう。

技術概要

EP-GAT: エネルギーベース並列グラフ注意ニューラルネットワークによる株式トレンド分類の技術的サマリー

本論文は、複数の株式の将来のトレンドを予測するための新しいフレームワーク「EP-GAT（Energy-based Parallel Graph Attention Neural Network）」を提案しています。既存のグラフニューラルネットワーク（GNN）ベースの手法が抱える「静的な関係性の仮定」と「階層的な株式内部特徴の損失」という課題を解決し、動的な株式間関係と階層的な時系列特徴を同時に学習するモデルを構築しました。

以下に、問題定義、手法、主要な貢献、実験結果、および意義について詳細にまとめます。

1. 問題定義と背景

株式市場の予測は、市場の確率的性質と高い変動性により困難な課題です。近年、深層学習、特にトランスフォーマーや GNN が株式予測に応用されていますが、既存手法には以下の限界がありました。

• 静的な関係性のモデル化: 既存の GNN 手法（例：HyperStockGAT, GCN-LSTM）は、業界分類や相互出資など、静的で不変な要因に基づいて株式グラフを構築することが多いです。しかし、株式間の相互依存関係は時間とともに変化する動的なものであり、静的なグラフではこの変化を捉えきれません。
• 階層的特徴の損失: 株式データには異なるスケール（時間的スケール）での階層的なパターンが存在します。従来の GNN は情報の伝播過程でこれらの階層的な内部特徴（intra-stock features）が歪んだり失われたりする問題を抱えています。
• 個別株価の予測の非現実性: 正確な株価を予測するのではなく、市場の変化への迅速な適応が求められるため、「トレンド（上昇/下降）」の分類がより実用的なタスクとして注目されています。

2. 提案手法：EP-GAT

EP-GAT は、以下の 2 つの主要なコンポーネントで構成されています。

2.1 エネルギーベースの株式グラフ生成（Dynamic Stock Graph Generation）

既存の静的なグラフ生成に代わり、株式間のエネルギー差とボルツマン分布を用いて、時間変化する動的なグラフを生成します。

• エネルギーの定義: 各株式 $i$ のエネルギー $E_i$ を、その株式の過去 $\tau$ 期間の指標（始値、高値、安値、終値、出来高など）の二乗和として定義します。
  $$E_i = \sum_{n=1}^{\tau F} (X_{i,n}^t)^2$$
• ボルツマン分布による重み付け: 株式間の接続確率（隣接行列 $A_{i,j}^t$）を、エネルギー差とシステム温度（ここではラグウィンドウサイズ $\tau$ に相当）を用いたボルツマン分布で計算します。
  $$A_{i,j}^t = \frac{e^{-\frac{|E_i - E_j|}{k\tau}}}{\sum_{o=1}^{N} e^{-\frac{|E_i - E_o|}{k\tau}}}$$
  • ここで、$k$ はエネルギー差の寄与を制御するハイパーパラメータです。
  • このアプローチにより、エネルギーの低い株式がエネルギーの高い株式の影響を受けやすいという物理的な直観を反映しつつ、時間とともに変化する株式間の関係性を捉えます。
• スパース化: 生成された隣接行列に対して閾値 $s$ を適用し、ノイズを除去してスパース化を行います。

2.2 並列グラフ注意機構（Parallel Graph Attention Mechanism）

株式の階層的な内部特徴を保存し、歪みを防ぐための新しい注意機構です。

• 階層特徴の保存: 従来の GNN では、層を深くするにつれて特徴が歪む傾向がありますが、EP-GAT は各伝播層で学習された潜在表現（latent representation）を保持し、並列に処理します。
• メカニズム:
  1. 伝播による中間表現 $H_l$ と、並列注意機構による表現 $H'_{l-1}$ を用意します。
  2. $H_l$ に GATv2Conv（グラフ注意操作）を適用し、さらにマルチヘッドアテンション $\gamma(\cdot)$ を通して特徴を再変換・統合します。
  3. これらを結合（concatenation）することで、異なる層からの階層的な時系列特徴を保持したまま、株式間の依存関係を学習します。
     $$H'_l = \gamma(H'_{l-1} || (\eta(H_{l-1}) + H_{l-1}W_l))$$
     この構造により、情報の伝播と特徴の学習がデカップリングされ、階層的な特徴の歪みが防がれます。

3. 主要な貢献

1. 動的グラフ生成の提案: ボルツマン分布とエネルギー差に基づき、株式間の動的な相互依存関係をモデル化する新しいグラフ生成手法を提案しました。
2. 並列グラフ注意機構の導入: 異なる伝播層からの潜在表現を保持・統合することで、株式内の階層的な時系列特徴を歪みなく学習する新しいメカニズムを提案しました。
3. 広範な実証実験: 米国（NASDAQ, NYSE, S&P）および英国（FTSE, LSE）の 5 つの現実世界のデータセット（合計 503 銘柄、5 年間）を用いた大規模な実験により、提案手法の有効性を示しました。

4. 実験結果

5 つのデータセット（LSE123, FTSE99, NYSE82, NASDAQ98, SP101）において、5 つの競合ベースライン（GraphWaveNet, HyperStockGAT, STGCN, Informer, ST-TIS）と比較評価を行いました。

• 性能: EP-GAT はすべてのデータセットおよび評価指標（正解率 ACC, マシューズ相関係数 MCC, F1 スコア）において、一貫して最良の性能を記録しました。
  • 平均して、ベースラインモデルと比較して ACC で 7.61%、MCC で $2.63 \times 10^{-2}$、F1 スコアで 0.06 の改善が見られました。
• アブレーション研究:
  • 動的グラフ生成を静的な業界グラフに置き換えると性能が低下し（平均 2.25% 低下）、動的な関係性の重要性が確認されました。
  • 並列グラフ注意機構を除去すると性能が大幅に低下し（平均 8.05% 低下）、階層的特徴の保存が重要であることが示されました。
• ハイパーパラメータ: ラグウィンドウサイズ $\tau$ は 14〜23 日の範囲で最適であり、これは過去の研究（約 20 日のバックキャスト）と一致します。

5. 意義と結論

本論文は、株式市場の予測において、**「動的な株式間関係」と「階層的な内部特徴」**の両方を同時にモデル化することの重要性を実証しました。

• 学術的意義: 物理学的な概念（エネルギー、ボルツマン分布）を金融時系列データのグラフ構造生成に応用し、GNN の階層学習における特徴歪みの問題に対する新しい解決策を提示しました。
• 実用的意義: 複数の市場（米国・英国）で高い汎用性を示しており、投資家や政策決定者にとって、より正確なトレンド予測を提供する可能性を秘めています。

今後の課題:
現在のモデルは株式間の関係を「無向グラフ」として扱っており、影響力の強い株から弱い株への一方向的な影響を考慮していません。また、大規模な銘柄数における並列注意機構の計算コストや訓練の難易度についても、将来的な研究課題として挙げられています。