技術的サマリー：ニューラルパラメータ化による金融時系列における時間非斉次マルコフ動態の学習

1. 問題提起

本論文は、古典的なマルコフモデルと現代の深層学習アプローチのそれぞれが重大な限界を有する非定常確率システム、特に金融時系列のモデリングという課題に取り組んでいる。

• スパース性の障壁: 古典的なマルコフモデリングは、離散状態間の遷移の実証的なカウントに依存する。重尾性を伴う金融リターンのニュアンスを捉えるためには、微細な離散化（多数のビン、$n$）が必要となる。しかし、可能な遷移の数は二次的に（$n^2$）増大する。有限でノイズの多い金融データセットにおいて、これは深刻なデータスパース性をもたらす。すなわち、遷移セルの大部分が観測されない状態となる（例：$n=55$において、セルの99.9%が5未満の観測数しか持たない）。これにより、実証推定量はゼロと高分散ノイズで満たされた退化した演算子へと崩壊し、構造分析には無用となる。
• 解釈性のギャップ: ニューラル系列モデルは複雑な依存関係を処理できるが、通常は不透明な潜在表現を通じて動作するため、古典的な作用素論理の診断（遷移ヒートマップ、行の不均一性、チャプマン・コルモゴロフの整合性など）の適用を阻害する。

著者は、その中間を提案する。すなわち、明示的かつ時間変化するマルコフ遷移作用素をパラメータ化するためにニューラルネットワークの柔軟性を活用し、実証カウントのスパース性を克服しつつ数学的な透明性を維持するフレームワークである。

2. 手法

中核的な貢献は、時間非斉次マルコフ作用素のニューラルパラメータ化である。

2.1 フレームワーク定式化

システムは、特徴量条件付きの時間非斉次マルコフ連鎖としてモデル化される。

• 状態空間: リターンは、分位点ビン分割を通じて有限の状態空間 $S = \{s_1, \dots, s_n\}$ に離散化される。
• 特徴量条件付け: 遷移確率は、観測可能な共変量 $F_t$（マクロ経済指標、企業ファンダメンタルズ）と現在の状態 $X_t$ に依存する。
• 作用素の構築: 遷移のカウントの代わりに、ニューラルネットワーク $f^{(h)}_\theta$ が $(X_t, F_t)$ から次の状態の確率分布へのマッピングを学習する。
  $$\hat{A}^{(h)}_t(i, \cdot) = f^{(h)}_\theta(s_i, F_t)$$
  時刻 $t$ における完全な遷移行列 $\hat{A}^{(h)}_t$ を構築するために、ネットワークは、同じ特徴量スナップショット $F_t$ の下で、可能なすべての状態 $s_i \in S$ に対して評価される。これにより、観測されていない遷移であっても、出力が有効かつ滑らかな確率作用素となることを保証する。

2.2 モデルアーキテクチャとトレーニング

• アーキテクチャ: マルチレイヤーパーセプトロン（MLP）は、ワンホット状態エンコーディングと特徴量ベクトルの連結を入力とし、softmax 層を介して確率分布を出力する。
• トレーニング目的: モデルは、負の対数尤度を最小化するために Adam 最適化を用いてトレーニングされる。離散化されたリターンにおけるノイズに対処するため、平滑化ターゲット目的関数がオプションとして採用され、隣接するビンに部分的な質量を割り当てる。
• ベースライン:
  • 状態非条件付けアブレーション: 特徴量 $F_t$ のみで条件付けられたモデル（$X_t$ を除去）、行不変な作用素を生成する。
  • 実証カウンタ: 高解像度におけるカウントの失敗を実証するための古典的推定量（周辺、条件付き、バックオフ平滑化）。

2.3 診断ツール

出力が明示的な作用素行列であるため、このフレームワークは特定の診断を可能にする。

• 行の不均一性: 状態依存性を定量化するために、行間の全変動距離を測定する。
• 行エントロピー: 遷移分布の分散/不確実性を測定する。
• チャプマン・コルモゴロフ（CK）整合性: 直接推定された $h$ ステップ作用素と、$h$ 個の 1 ステップ作用素の合成を比較する。これは、1 次マルコフ仮説が崩壊する時間ウィンドウを特定するための局所的な診断として機能する。

3. 主要な結果

実験は、$n=55$ のビンと様々な予測ホライズンを持つ単一株式（JPM）に焦点を当てている。

3.1 実証カウントの失敗

目標解像度（$n=55$）において、実証遷移行列は事実上空である。セルの 57% 以上が完全に観測されておらず、99.9% が 5 未満の観測数しか含まない。これは、この粒度では表形式が作用素レベルの分析を支えられないことを確認する。

3.2 構造的妥当性と状態依存性

• 状態条件付け: 状態条件付きモデルは、非自明な構造を持つ作用素を生成し、平均行の不均一性 $\bar{\rho} = 0.0073$ を達成する。対照的に、状態非条件付けのアブレーションは正確に $\rho = 0.0000$（同一の行）へと崩壊し、離散化された状態 $X_t$ が固有の遷移情報を担っていることを確認する。
• ボラティリティと均質化: 直感に反する発見として、高ボラティリティ・レジームは遷移動態を多様化させるのではなく均質化させることである。
  • 行エントロピーは実現分散と強く負の相関を示す（$r = -0.62, p \approx 10^{-251}$）。
  • 圧迫期間（実現分散の上位 20%）中、遷移行は類似した集中分布へと収束する。平穏な期間中、行はより多様である。

3.3 チャプマン・コルモゴロフ診断

CK 診断は、1 次マルコフ仮説が一様に違反されるのではなく、特定の時間ウィンドウで失敗することを明らかにする。

• 状態条件付きモデルは、単純な 1 ステップ作用素の積では完全に再構築できない真の状態依存動態を学習するため、より高い CK 不一致を示す（ベースラインの 0.022 対、平均 KL 発散 0.140）。
• CK 違反は、集中した低エントロピー動態の期間と相関する特定のウィンドウ（例：$t \in [2120, 2200]$）に集中する。これにより、モデルは「記憶」仮説が崩壊する場所を特定できる。

3.4 予測性能

論文は、単一資産の日次データの弱形効率と低頻度特徴量の限界と一貫した、 modest な予測向上を報告している。

• ホライズン $h=10$ において、状態条件付きモデルは周辺ベースラインに対して $\Delta$NLL $+0.025$ を達成する（95% 信頼区間：$[-0.020, +0.028]$）。
• より短いホライズンでは、性能は周辺ベースラインに近い、あるいはそれ以下である。
• 較正は妥当であり、状態条件付きモデルは負のリターンに対して期待較正誤差（ECE）0.079 を達成する。

4. 意義と主張

本論文の主な意義は、最先端の予測精度を達成することではなく、複雑な時系列モデリングに構造的解釈性を回復することにあると主張している。

• ギャップの架け渡し: ニューラルネットワークを数学的に整合性のある構造的形態（明示的確率作用素）の出力に制約することで、高解像度・非定常データに対する厳密な古典的作用素分析を実行可能にすることを示している。
• 診断能力: 遷移作用素を露出させることで、ブラックボックス系列モデルでは不可能である古典的ツール（ヒートマップ、不均一性指標、CK チェック）の使用を可能にする。
• 市場動態への洞察: このフレームワークは、高ボラティリティ時の遷移動態の均質化やマルコフ仮説の局所的な崩壊といった特定の構造的振る舞いを明らかにし、市場レジームを研究するための「透明で較正された顕微鏡」を提供する。

著者は、現在の単一資産・日次粒度の設定が信号対ノイズ比を制限していることを指摘し、即座の予測有用性については控えめな見解を示している。これらの解釈性のメリットを維持しつつ実質的な予測向上を実現するためには、マルチ資産・高頻度ユニバースへのスケーリングが不可欠であると示唆している。