💰 quantitative finance

Predicting Stock Price Direction on Earnings Announcement Days using Multi-modal Deep Learning

本研究は、企業の基礎的指標、テクニカル指標、および FinBERT から導出されたニュース感情を統合するトランスフォーマーベースのマルチモーダル深層学習モデルが、ボラティリティのある変動に対する優れた感応性を達成することで、決算発表日の株価方向の予測においてロジスティック回帰および LSTM ベースラインを上回ることを示している。

原著者： Manuel Noseda, Nathan Soldati, Marco Paina

公開日 2026-05-26

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Manuel Noseda, Nathan Soldati, Marco Paina

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

ある企業の決算発表の日、その株価が上昇するか下落するか、それとも横ばいのままかを予想しようとしていると想像してください。市場はノイズに満ちており、価格は瞬間的に激しく変動するため、これは極めて厄介なゲームとして知られています。

チューリッヒ工科大学（ETH Zurich）の研究者たちは、これを探偵物語のように扱いました。彼らはこの謎を解くために、人工知能（AI）を用いた「超・名探偵」システムを構築しました。以下に、その方法を日常的な言葉で説明します。

1. 3 つの手がかり（データ）

予測を行う際、この AI は単一の要素だけを見ました。探偵が指紋、目撃証言、動機を組み合わせて手がかりを集めるように、3 つの異なる種類の手がかりを集めました。

企業の健康診断書（ファンダメンタルズ）： 企業の利益額や負債額など、15 の数値データを参照しました。これは「公式」データです。
市場の最近の気分（価格のダイナミクス）： 過去 30 日間の株価を分析し、単純な数学を用いて価格が加速しているのか減速しているのかを確認しました。
ニュースのささやき（センチメント）： FinBERTと呼ばれる特別な AI リーダーを用いて、数千件の金融ニュース記事を読み解きました。この AI は単に言葉を読むだけでなく、トーンを理解します。ニュースは喜ばしいのか、悲しいのか、それとも無関心なのか？

2. 3 人の探偵（モデル）

チームは事件を解決するために 3 人の異なる「探偵」を訓練し、誰が最も優れているかを比較しました。

古き良き探偵（ロジスティック回帰）： これはシンプルで直線的な思考者です。手がかりを見て、結論へと直線を引きます。迅速ですが、ニュアンスを見逃すことがよくあります。
慎重な観察者（LSTM）： これは深層学習モデルで、本を 1 ページずつ読むように、物語を日ごとに読み進めます。非常に慎重です。100% 確信が持てない場合は、安全策を講じます。
全体像を見る Visionary（トランスフォーマー）： これはより高度なモデルで、30 日間の物語全体を一度に見ることができます。過去のどの日が最も重要かを把握するために「アテンション（注目）」機能を使用し、単に順番に読むだけではありません。

3. 厄介な部分：「横ばい」の罠

最大の課題は、決算日の株価の多くは劇的な動きをせず、横ばいのままになるという事実でした。

教室で生徒の 67% が静かに座っており、数人だけが飛び跳ねている状況を想像してください。
もし探偵が単に「全員が座っている」と推測するだけであれば、大半の時間は正解しますが、すべての興奮すべき飛び跳ねを見逃してしまいます。
研究者たちは、AI に退屈な静かな日と同じくらい、稀で激しい飛び跳ね（上昇または下落）を重視するように教える必要がありました。彼らは、AI が間違った方向を推測した場合（実際は「下落」なのに「上昇」と言うなど）、厳しく罰する特別なスコアリングシステムを使用しました。

4. 結果：勝者は誰か？

この論文は、完璧な探偵は一人も存在せず、何を重視するか（安全性か感度か）によって勝手が異なることを発見しました。

慎重な観察者（LSTM）は「安全な賭け」でした：
- 非常に保守的でした。高額なミスを避けるために、主に「横ばい」と予測しました。
- 結果： 高額な誤りを最も少なくしました。リスク回避的（お金の損失を恐れる）であれば、これが望むモデルです。これは、絶対確信がある場合のみハンドルを切るドライバーのようです。
全体像を見る Visionary（トランスフォーマー）は「感度の高いハンター」でした：
- 激しい価格変動を特定するのがはるかに得意でした。「上昇」や「下落」の動きをより多く捉えました。
- 結果： これらの動きを見つけるための総合的な成功スコア（マクロ F1）が最も高かったものの、すべてを捉えようとしたため、株価がどの方向に動くかについての誤りが多くなりました。これは、すべてのポットホールを認識するが、必要以上に車体を振ってしまうドライバーのようです。
古き良き探偵（ロジスティック回帰）は苦戦しました：
- ニュース、価格、歴史の複雑な組み合わせを処理するには単純すぎました。頻繁に高額な方向性の誤りを犯しました。

5. 「秘密のソース」（ニュースのセンチメント）

研究者たちは、手がかりから「ニュースのささやき」（センチメント）を除去した場合に何が起こるかをテストしました。

結論： ニュースがなくなると、すべての探偵の成績が悪化しました。
なぜか？ ニュースは、数値や価格チャートだけでは見えない追加情報を提供したからです。それは安定剤として機能し、AI がより信頼性の高い推測を行うのを助けたのです。

結論

この論文は、決算日の株価変動を予測することがバランスの取れた行為であると結論付けています。

リスクを最小化し、大きなミスを避けたい場合は、LSTM（慎重なモデル）の方が優れています。
変動の激しい動きを捉え、より多くのリスクを受け入れる用意がある場合は、トランスフォーマー（感度の高いモデル）の方が優れています。

重要なのは、この研究が示す通り、数値だけ頼ることはできず、最良の結果を得るためにはニュースの「気分」を必ず含めなければならないということです。

技術的サマリー：マルチモーダル深層学習を用いた決算発表日の株価方向性予測

問題定義
本研究は、決算発表（EA）日に限定して株価の方向性変動を予測するという課題に取り組む。著者はこれをイベント駆動型価格変動予測タスクとして定式化する。EA に先行する 30 日間を表すマルチモーダル時系列データが与えられたとき、発表後の価格方向を UP（ $R \geq 3\%$ ）、DOWN（ $R \leq -3\%$ ）、NEUTRAL（その他）の 3 つのクラスのいずれかに分類することを目的とする。この問題は、顕著な市場ノイズ、高インパクトな価格の不連続性、そして NEUTRAL クラスが観測値の約 67% を占めるという深刻なクラス不均衡によって特徴づけられる。

手法
本研究は、3 つの異なるデータモーダリティを次元 $d=21$ の統合特徴空間に統合するマルチモーダル深層学習アプローチを採用する：

企業ファンダメンタルズ（ $d_f=15$ ）： 財務健全性の代理指標として機能する四半期および年次指標（例：ネットマージン、ROE、負債資本比率）。
市場ダイナミクス（ $d_m=3$ ）： 調整済み終値と短期モメンタム指標（3 日および 6 日の単純移動平均）。
ニュースセンチメント（ $d_n=3$ ）： 金融分野向けに微調整された言語モデル FinBERT を通じて処理された金融ニュース記事から導出されたセンチメントスコア。複数の記事が存在する日の場合、センチメントベクトルは平均化される。

データ処理とモデリング
データセットは、10 ヶ月の期間における時価総額上位 500 社をカバーする。前処理には、非取引日の前方代入による時系列補間、希薄なファンダメンタルズに対するクロスセクション平均補間、および z スコア標準化が含まれる。クラス不均衡に対処するため、著者は方向性誤り（UP 対 DOWN）をニュートラルな誤分類よりも重く罰する重み付き交差エントロピー損失関数を利用する。

3 つのモデルアーキテクチャが評価される：

ロジスティック回帰（ベースライン）： 30 日間のウィンドウを平坦化して学習する非時系列多項ロジスティック分類器。
LSTM： 逐次的依存関係を捉えるように設計された 2 層スタック型再帰ネットワーク（隠れ次元 64）。
Transformer： 厳密な逐次的帰納バイアスなしに 30 日間ウィンドウ全体にわたるグローバルな時系列パターンを捉えるために、正弦波位置エンコーディングを利用する自己アテンションベースのエンコーダアーキテクチャ（2 層、4 ヘッド）。

モデルは、金融意思決定と整合する指標を用いて訓練および評価される：実行可能なシグナルに対する適合率、不均衡なクラス間でのパフォーマンスをバランスさせるためのマクロ平均 F1 スコア、および UP↔DOWN の誤分類に高いペナルティを割り当てるカスタムコスト指標。

主要な結果
実験結果は、感度とリスク管理の間の明確なトレードオフを明らかにする：

LSTM のパフォーマンス： LSTM は保守的な戦略を採用し、頻繁に NEUTRAL クラスを予測する。これにより、方向性シグナルの高い適合率と最低のカスタム金融コストが実現されるが、ボラタイルなイベントの取りこぼしにより、マクロ F1 スコアは低くなる。
Transformer のパフォーマンス： Transformer モデルは優れた感度を示し、LSTM よりも多くの UP および DOWN イベントを特定する。その結果、最高マクロ F1 スコア（0.390）を達成するが、方向性誤りの増加により、より高いカスタムコストを負う。
ベースラインのパフォーマンス： ロジスティック回帰ベースラインは不安定な意思決定プロファイルを示し、UP 変動を予測するバイアスがあり、これにより最高レベルの金融コストと頻繁な高コストな方向性スワップを引き起こす。
センチメントの影響： 除去実験により、ニュースセンチメント特徴を除去すると全モデルのパフォーマンスが低下することが確認された。この効果は LSTM で最も顕著であり、センチメントデータが深層逐次モデルにおいて重要な安定化役割を果たしていることを示唆する。

意義と主張
本論文は、「ハード」情報（ファンダメンタルズ、価格）と「ソフト」情報（ニュースセンチメント）をマルチモーダルフレームワークで組み合わせる価値を実証することで、EA 固有の株価予測という比較的未研究の領域に貢献すると主張する。著者は、線形モデルは EA データにおける複雑な時系列およびクロスモーダル相互作用を捉えるには不十分であるが、深層学習アーキテクチャは投資戦略に応じて明確な利点を提供すると述べている。具体的には、本研究はモデルの選択が対象応用によって依存することを強調する：リスク回避型戦略は LSTM の安定性を好む可能性がある一方、ボラティリティ追求型戦略は Transformer の高い感度から恩恵を受ける可能性がある。この研究は、ニュースセンチメントを組み込むことが、ファンダメンタルズや価格ダイナミクス単独では提供できない安定性とパフォーマンスを向上させる相補的な予測シグナルを提供することを浮き彫りにしている。