技術概要：PRISM-VQ

問題定義

クロスセクショナルな株式リターンの予測は、金融工学において根本的な課題である。これは主に、一貫して低い信号対雑音比（SNR）、複雑かつ変化するクロスアセット依存関係、そして頻繁な市場レジームのシフトという 3 つの主要な障壁に起因する。古典的な線形ファクターモデルは解釈可能性を提供するが、非線形相互作用や時間変化するダイナミクスを捉える柔軟性に欠ける。一方、ディープラーニングアプローチは強力であるが、雑音の多い環境では不十分な正則化に悩まされ、変化するクロスセクショナル構造に条件付けられていない場合が多く、確立された金融の事前知識（priors）を十分に活用できていない。既存の手法は、通常、ニューラルネットワークの表現力とポートフォリオ構築に必要な解釈可能性および頑健性のバランスを取ることに苦労している。

手法：PRISM-VQ

著者らは、離散表現学習、構造条件付き時系列モデリング、およびドメインに根ざした事前知識を統合する 2 段階の学習パラダイムを通じて、これらの限界に対処するために設計された統一フレームワーク PRISM-VQ（ベクトル量子化を備えた事前知識駆動型株式モデル）を提案する。

1. コアアーキテクチャ

PRISM-VQ は、問題を空間学習（第 1 段階）と時系列学習（第 2 段階）に分解する。

• 第 1 段階：空間学習（離散ファクター発見）

  • 目的: 情報をボトルネックとして機能し、ノイズを抑制しつつ市場構造を保持する、再利用可能な離散的なクロスセクショナル構造を発見すること。
  • メカニズム: 各株式の時系列特徴は GRU を通じてエンコードされ、その後クロスアセット Transformer によって処理されてクロスセクショナル情報を集約する。これらの連続的な埋め込みは、学習可能なコードブックに対して**ベクトル量子化（VQ）**を用いて離散化される。
  • 正則化: 離散コードが恣意的な分割ではなく、意味的に有意義であることを保証するために、モデルは以下の手法を採用する。
    • コントラスト学習: 割り当てられたコードワードと競合するプロトタイプ間のマージンを拡大する。
    • 再構成: FiLM 条件付きデコーダが、量子化されたコードから入力特徴を再構成する。
    • マルチホライズン予測: 将来のリターンを予測する補助タスクにより、コードを先行信号と整合させる。
  • 出力: 各株式には、潜在ファクター値および構造シグナルとして機能する離散コード $z_{q,i}$ が割り当てられる。

• 第 2 段階：時系列学習（動的ファクターローディング）

  • 目的: 学習されたクロスセクショナル構造に条件付けられた、時間変化するファクターローディングを生成すること。
  • メカニズム: Transformer アーキテクチャに基づいた構造条件付き混合専門家（MoE）。
  • ルーティング: 第 1 段階からの離散コード $z_{q,i}$ がゲート信号として機能する。これは、特定の株式が特定の時点でどの専門家（サブネットワーク）を活性化するかを決定する。
  • ファクター統合: モデルは、専門家の事前ファクター（例：JKP グローバルファクターライブラリからのバリュー、モメンタム）と学習された潜在ファクターの両方に対して動的ローディングを生成する。最終的な予測は線形結合である：$y_i = \alpha_i + \beta_{p,i}^T f_p + \beta_{l,i}^T f_{l,i}$。
  • トレーニング: コードブックは第 1 段階後に凍結される。第 2 段階では、専門家の崩壊を防ぐためのロードバランシング正則化子を用いて、時系列 Transformer と MoE のパラメータをエンドツーエンドで最適化する。

2. 主要な設計選択

• 誘導バイアスとしてのベクトル量子化: 連続的な埋め込みを有限のプロトタイプ集合にマッピングすることで、モデルは固有のノイズを抑制し、安定したクロスセクショナルパターンの再利用を促進する。
• 離散コードゲート付き MoE: このメカニズムにより、モデルは離散コードによって識別された異なる市場レジームに対して異なる専門家を特化させることを可能にし、解釈可能性を犠牲にすることなく適応的なファクターローディングを実現する。
• 2 段階のデカップリング: 構造発見を時系列モデリングから分離することで、コードブックの崩壊を防ぎ、明確な情報ボトルネックを強制する。これにより、時系列モデルが市場構造の安定した表現に条件付けられることが保証される。

主要な貢献

1. 統一フレームワーク: PRISM-VQ は、ベクトル量子化された離散ファクター、コントラスト表現学習、専門家の事前ファクター、および離散コード条件付き時系列モデリングを単一のファクターベースモデルに統合する最初のフレームワークである。
2. 効果的な誘導バイアス: 本論文は、ベクトル量子化が金融表現学習のための堅牢な誘導バイアスを提供し、低 SNR 環境において連続的な潜在代替案を一貫して凌駕することを示している。
3. 構造条件付きダイナミクス: 離散コードゲート付き MoE の導入により、明確なファクター解釈を維持しつつ、変化する市場構造に適応する動的ファクターローディング生成が可能になった。
4. 実証的検証: CSI 300 および S&P 500 市場における広範な実験により、強力なベースラインに対して一貫した改善が示された。

実験結果

モデルは、2022 年から 2024 年のデータ（厳密なアウトオブサンプル）を用いて、CSI 300（中国）および S&P 500（米国）市場で評価された。

• パフォーマンス指標:
  • CSI 300: ランク IC が 0.0646、シャープレシオが 1.57 を達成し、Transformer ベースのモデル（例：DTML、MASTER）やオートエンコーダー変種を含むすべてのベースラインを上回った。
  • S&P 500: ランク IC が 0.0141、シャープレシオが 0.67 を達成し、最良のベースライン（DTML）に対してランク IC で 58.4% の改善を示した。
• アブレーション研究:
  • 離散コードブックを除去すると、最も顕著なパフォーマンス低下を招いた（CSI 300 でランク IC が約 27% 低下し、S&P 500 では負となった）。これは離散ボトルネックの必要性を浮き彫りにしている。
  • 専門家の事前ファクターを除去すると、特に効率的な S&P 500 市場においてパフォーマンスが大幅に低下し、ドメイン知識の正則化役割を確認した。
  • MoEを単一のネットワークに置き換えるとパフォーマンスが低下し、構造条件付き特化の必要性が検証された。
• 解釈可能性:
  • t-SNE 可視化: 学習されたコードは、セクター分類や時価総額とは厳密に一致しないクラスターを形成し、より豊かなクロスセクショナル構造の捕捉を示唆した。
  • ファクターエクスポージャー: コードは、標準的な金融ファクター（例：収益性、モメンタム）と系統的かつ中程度の相関を示し、単一ファクターの複製ではなく多次元のファクター組み合わせを捉えていることを示した。
  • 専門家の特化: MoE の異なる専門家は、異なる市場レジーム下で活性化し、統計的に異なる活性化パターンと低い時間的重なりを示した。

意義と主張

著者らは、PRISM-VQ が古典的ファクターモデルの解釈可能性とディープラーニングの予測能力の間の重要なギャップに対処すると主張している。ベクトル量子化を情報ボトルネックとして扱い、離散コードを用いて専門家ネットワークをゲートすることで、このモデルは金融データの低 SNR および非定常性を成功裡に navigated している。

本論文は、離散情報ボトルネックと事前知識に基づく条件付き計算を組み合わせることが、金融リターン予測のための効果的な設計原理であると提唱している。結果は、このアプローチがランキング精度とポートフォリオパフォーマンス（より高いシャープレシオ、より低いドローダウン）を向上させるだけでなく、金融分析に必要な解釈可能性を保持し、変化する市場レジームにおけるポートフォリオ構築のための堅牢な解決策を提供することを示唆している。著者らは、自らの手法がグラフのような事前定義された関係トポロジーに依存するのではなく、暗黙的なクロスセクショナル構造を学習する点を強調しており、これが異なる市場間での転移性を高めているとしている。