💰 quantitative finance

Sequential Structure in Intraday Futures Data: LSTM vs Gradient Boosting on MNQ

本論文は、4 年間の 5 分足 OHLCV データを用いて MNQ 先物の日内方向を予測する際、勾配ブースティングも LSTM モデルも 51.8% のベースラインを上回る統計的に有意な予測精度を達成できないことを示しており、これにより単一銘柄のデータセットは信頼性の高い逐次的金融機械学習には不十分であることを示唆している。

原著者： Mathias Mesfin

公開日 2026-05-19

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Mathias Mesfin

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

特定の都市の天気を予測しようとしていると想像してください。しかし、手元にあるのは 4 年間の日々の天気記録だけです。あなたは知りたいのです。「その日の最初の 1 時間に雨が降れば、一日中雨が降るだろうか？」と。

この論文は、マティアス・メスフィンという研究者がその問いに答えようとした報告書ですが、天気ではなく株式市場の先物（特にナスダック 100 を追跡する MNQ）を分析しました。彼は、現代のハイテクなコンピュータの脳（機械学習）が、人間が見逃している市場の「鼓動」に隠れたパターンを見つけられるかどうかを知りたがっていました。

以下に、彼が何をし、どのように行い、何を発見したかを、シンプルに説明します。

大きなアイデア：「クロノス」対「地元の店」

最近、クロノスという巨大な AI モデルが公開されました。これは多数の異なる市場からの数百万枚の株価チャートで訓練されました。価格バーが現れる順序（シーケンス）が、次に何が起こるかの手がかりを本当に持っていることを学びました。それは、数百万もの料理を味わい尽くした大料理人が、特定の材料の組み合わせがどのように味わうかを正確に知っているようなものです。

マティアスはシンプルな問いを投げかけました。「その同じアイデアを、たった一つの市場（MNQ）」

彼は 2 種類のコンピュータ学習器のレースを設定しました：

「散弾銃（グラディエントブースティング）：このモデルは事実のリスト（「昨日は暑かった」「ギャップが広かった」など）を見ますが、それらを無関係なものの山として扱います。それが起こった順序には関心を持ちません。
「物語語り手（LSTM）：このモデルは物語を読むように設計されています。朝の 12 本の 5 分足を見て、単語を一つずつ読むように、出来事の順序を理解しようとします。

実験：厳格なテスト

マティアスはコンピュータにただ推測させただけではありませんでした。ウォークフォワード検証と呼ばれる非常に厳格なテストを設定しました。

ルール：コンピュータは 2022 年から学び、2023 年の予測を試みます。次に 2022 年から 2023 年までを学び、2024 年を予測します。最後に 2022 年から 2024 年までを学び、2025 年を予測します。
目標：市場が午前 10 時 30 分の始値から少なくとも 10 ポイント以上高い値で終えるかどうかを予測することです。
基準：コインを裏表に投げただけでも、約 51.8% の確率で正解します（市場は下落よりわずかに上昇する傾向があるため）。勝利するためには、コンピュータはこのコイン投げを上回る必要があります。

結果：コンピュータは迷子になりました

結果は正直で、「ハイテク」への希望にとっては失望的でしたが、科学にとっては非常に有益なものでした：

「散弾銃（グラディエントブースティング）：それは日々のデータからパターンを見つけようとしました。ある年は幸運を掴み（54% の精度）、他の年はコイン投げよりも間違えることが多かったです。マティアスがなぜ判断を下したのかを確認すると、その理由は年によって変わりました。ある年は「夜間のギャップ」を重視し、次の年は「出来高」を重視しました。それは、昨年のテストの答えを暗記した学生が、実際の数学を学ぶことに失敗したようなものです。
「物語語り手（LSTM）：これが最大のテストでした。朝のバーの順序は重要だったのでしょうか？答えはいいえでした。モデルは本質的に諦めました。朝がどう見えたかに関係なく、毎日 50/50 の確率を予測しました。その「自信」は平坦でした。何も学んでいませんでした。

結論：どのモデルもコイン投げよりも市場を予測できませんでした。「物語語り手」は物語を見つけませんでした。ただノイズを見つけただけです。

「なぜか」：図書館の比喩

なぜハイテクな AI は失敗したのでしょうか？論文は図書館の比喩を使って素晴らしい説明を提供しています：

クロノスモデル（勝者）：900 万冊の本がある図書館を想像してください。もしあなたが稀な言語を学びたいなら、数百万の例を読み、規則を見つけることができます。
マティアスのデータセット（敗者）：あなたは944 ページしか持っていません（4 年間で 1 日につき 1 ページ）。
- 特定のパターンが 5% の頻度でしか起こらない場合、あなたの図書館全体では47 回しか現れません。
- 4 年間で 2 週間に 1 回、その雲の絵を 1 枚だけ見せて、複雑な AI に 47 回しか現れないパターンを見つけるように教えるのは、子供に特定の種類の雲を認識させるようなものです。エンジンが作動するための「データ燃料」が全く不足しています。

AI が失敗したのは「愚か」だったからではありません。それはデータ飢餓に陥っていたからです。市場の「文法」を学ぶには数百万の例が必要でしたが、与えられたのは数百に過ぎませんでした。

結論：正直な「ノー」

この論文で最も重要な部分は、モデルが失敗したということではなく、研究者が失敗を認め、その理由を正確に説明したことです。

主張：5 分足データの 4 年間しか使わず、単一の株式市場の日々の方向性を予測するために高度な AI を使うことはできません。データが小さすぎます。
教訓：これらのモデルを機能させるためには、以下のいずれかが必要です：
1. はるかに長い歴史（年単位ではなく、数十年単位）。
2. はるかに高速なデータ（ティック・バイ・ティックデータ。データポイントの数を 50 倍に増やします）。
3. より多くの市場（ナスダック、S&P、ダウ・ジョーンズを同時に学習させ、AI により多くの例を与える）。

要約すると、「クロノス」のスーパー AI が機能するのは、市場の百科事典全体を読んでいるからです。マティアスは辞書の 1 ページだけで同様の AI に教えようとしましたが、当然ながら言語を学ぶことができませんでした。この論文は、研究者が不十分なデータで飛び越えようとして時間を無駄にしないよう、「データの崖」がどこにあるかを正確に示す貴重な地図です。

技術概要：先物インtraday データにおける逐次構造

問題定義
本研究は、量的金融における重要なギャップに対処するものである：直近の金融基盤モデルの規模よりも著しく小さいスケールで処理された場合、先物インtraday データのバールレベルの逐次構造に、利用可能な予測情報が含まれているかどうかを決定することである。Shi ら（2025）のKronosアーキテクチャに触発された本研究は、トランスフォーマーベースのモデルが複数の銘柄にわたる数百万のキャンドルスティックバールから予測パターンを学習できることを実証したものであり、制約された単一銘柄データセット内にも同様の逐次依存関係が存在するかどうかを調査する。具体的には、マイクロ E ミニナスダック 100（MNQ）の 5 分間バールの 4 年間の履歴が、方向性予測のための十分な構造的シグナルを含んでいるのか、それとも「逐次的」な優位性が単に膨大なデータ量に起因する機能に過ぎないのかを問うものである。

方法論
本研究は、2021 年 12 月から 2025 年 9 月までの MNQ 通常取引時間（RTH）データ 944 取引日を用いて、3 つのアウトオブサンプル期間（2023 年、2024 年、2025 年）にわたる厳密なウォークフォワード検証フレームワークを採用している。目的変数は二値であり、セッション終了値が午前 10 時 30 分のバール始値を 10 ポイント以上上回るかどうか（これは約 1 つの基準 ATR に相当する閾値）である。

4 つのモデル構成が評価された：

勾配ブースティング（日次）： 29 個の設計された日次特徴量（リターン、ギャップ、ボラティリティ、セッション構造）を、基盤モデルの量子化を模倣するためにデシールビンにトークン化し、HistGradientBoostingClassifierで訓練したもの。
勾配ブースティング（インtraday）： 同一の分類器を、セッション開始から 60 分間から導出された 30 個のインtraday 特徴量で訓練したもの。これには、独立した特徴量として扱われる 12 バールリターン系列が含まれる。
勾配ブースティング（ボラティリティ調整）： ボラティリティレジームから方向性シグナルを分離するために、ATR 正規化された目的変数を用いたインtraday モデル。
LSTM（逐次）： 勾配ブースティングが破棄する時間的順序を保持し、12 バールリターン系列を真の時系列として処理するように設計された最小限の LSTM（単一層、16 ユニット、0.3 のドロップアウト）。

すべてのモデルは拡張トレーニングウィンドウを利用し、最終折れ（2025 年）においてラベルをシャッフルしたヌル分布に対する統計的有意性を確立するために、順列テスト（200 反復）に付された。

主要な結果
本研究は、どの構成においても統計的に有意なアウトオブサンプル予測能力の証拠を見出さなかった：

精度： 勾配ブースティング変種の組み合わせアウトオブサンプル精度は、50.00%（GB-日次）から 50.89%（GB-ボラ調整）の範囲であり、LSTM は 50.59% であった。これらの数値は、51.80% のベースレートおよび単純なコインフリップのベースラインと区別できない。
統計的有意性： 順列テストは、最良の GB-インtraday で p 値 0.135、GB-ボラ調整で 0.390、LSTM で 0.515 を生み出した。すべてが $p < 0.05$ の閾値を満たさなかったため、結果は無作為なノイズと一致している。
特徴量の安定性： 特徴量重要度の分析は、折れ間での系統的な不安定性を明らかにした。支配的な特徴量はトレーニングウィンドウ間（例えば、ギャップ特徴量から特定バールリターンへ）で完全に移行し、モデルが構造的シグナルを捉えるのではなく、偽のパターンに適合していたことを確認した。
LSTM の挙動： LSTM モデルは平坦で未較正な分類器に収束し、逐次入力に関係なくすべての入力に対してベースレート確率（約 0.50）を予測した。これは、モデルがノイズに過剰適合したのではなく、何も学習しなかったことを示唆している。

主要な貢献
本論文の主な貢献は、インtraday 予測における逐次機械学習に必要なデータセット規模の誠実な実証的下限である。実世界の制約されたデータセット上でKronosの概念的フレームワークの扱いやすい近似を実装することにより、本研究は以下のことを実証する：

規模依存性： 逐次アーキテクチャ（LSTM）および基盤モデルに着想を得たトークナイズ戦略は、約 944 日という規模の単一銘柄データからは予測構造を抽出できない。
ノイズ対シグナル： 一貫した特徴量重要度の欠如と、無作為な予測への収束は、大規模な基盤モデルで観察される「逐次構造」がこの特定の解像度とサンプルサイズでは存在しない、あるいは学習不可能であることを示している。
方法論的ドキュメント： 本論文は、厳格なウォークフォワード検証と順列テストを含む、金融における逐次仮説を検証するための完全で再現可能なパイプラインを提供し、小規模データ ML 応用に関する楽観的な主張に対する対照例として機能する。

意義と主張
本論文は、その否定的な結果が分野にとって必要な実証的修正であると控えめに主張する。本研究は、「失敗」（ここで示されたもの）から「成功」（Kronosで示されたもの）への移行には、おそらく 50 万から 500 万バールの間で、データセット規模が桁違いに大きいことが必要であると仮説を立てている。本研究は、標準的な小売アクセス可能な歴史データ（単一銘柄、5 分間バール）に限定される研究者にとって、逐次 ML アーキテクチャは現在、無作為な推測に対して何の優位性も提供しないことを結論づけている。本論文は、この分野における有意義な進展には、単にこれらのアーキテクチャを小さく孤立したデータセットに適用するのではなく、ティックレベルデータへの移行、複数銘柄のトレーニング、または事前学習済み基盤モデルからの転移学習が必要であると示唆している。