技術要約：ゼロコピー・セマンティック・コンタジョン（Zero-Copy Semantic Contagion）

問題提起

金融予測モデルは現在、各ティッカーを孤立した時系列として扱う「サイロ化」された状態で運用されている。数値シグナル（価格のティックや出来高）はマイクロ秒単位で裁定取引される一方で、定性的情報（ニュース）は、価格に影響を与えるまでにセマンティックな解析を必要とし、20〜60分のホライゾンを経て展開される。既存のアプローチは、**企業間の伝播（cross-company propagation）**を捉えることに失敗している（例：台湾のファウンドリの問題といったサプライチェーンの混乱は、その資産の価格が動くか、あるいはその資産がテキスト内で明示的に言及されるまで、単一資産モデルには登録されない）。

これらをマイクロ秒単位のレイテンシで解決することを阻む、2つのエンジニアリング上の障壁が存在する：

1. レイテンシ： オフザシェルフのセマンティック抽出器は数百ミリ秒のレイテンシを導入し、予測ホライゾンを超過してしまう。
2. 表現： 静的なグラフは、イベント間で急速に減衰し、明示的な連続時間ダイナミクスを必要とする「アテンション」を適切に表現できない。

手法

著者らは、テキストから直接駆動される連続時間グラフとして、企業間のアテンションをマッピングするヘテロジニアスなRust-Pythonストリーミング・アーキテクチャを提案する。このシステムは、マイクロ秒スケールのインジェクション・エッジと、ミリ秒スケールの推論エンジンにデカップルされている。

1. システム・アーキテクチャ

• インジェクション・エッジ (Rust): ゼロコピー・パーサーが、ヒープ割り当てなしにCSV/FIXレコードを処理し、入力バッファへのバイトスライス参照を返す。これは単調増加のタイムスタンプを強制し、コサイン類似度に基づいて冗長なヘッドラインをフィルタリングするセマンティック・クラスタリング・ゲートを実行する。
  • パフォーマンス: レコードを約100 nsでパースし、47ティッカーのユニバースを約1.2 µsでスキャンする。
• 推論エンジン (PyTorch): $N=47$ の株式ノードにわたるインメモリの連続時間アテンション・グラフを更新する、多変量ニューラル・ホークス過程（Multivariate Neural Hawkes Process）。
  • 連続時間LSTM (c-LSTM): 各ノードは、イベント間で指数関数的に減衰し、イベント到着時に投影されたテキスト埋め込みに条件付けられて標準的なLSTMゲートを介して更新される隠れ状態を保持する。
  • 双線形潜在投影 (Bilinear Latent Projection): 指向性のある励起（$\alpha_{ij}$）は、双線形アテンション・メカニズムを介して計算される。これにより、非対称なエッジ重み付け（$\alpha_{ij} \neq \alpha_{ji}$）が可能となり、対称的な相関ではなく、方向性のある伝播（例：サプライヤーから顧客へ）を捉えることができる。
  • 適応型エッジ・プルーニング: 瞬時的な励起が閾値を下回った場合にエッジを削除するアルゴリズム的ルールにより、ストリームの長さに依存せず、有界なグラフ密度（ノードあたりの償却コスト $O(1)$）を保証する。

2. グラフ構築

初期隣接行列は、データ駆動型の3つのソースの学習可能な凸結合である：

1. 共言及 (Co-Mention, $A_{cm}$): 記事における共同言及の頻度。
2. 意味的類似度 (Semantic Similarity, $A_{sem}$): 平均化された記事埋め込みのコサイン類似度。
3. リターン相関 (Return Correlation, $A_{corr}$): 日次対数リターンのピアソン相関係数。
   これらの重みは、最大尤度学習中にモデルのパラメータと共に共同で最適化される。

3. 学習目的

パラメータは、観測されたイベントシーケンスの対数尤度を最大化することによって最適化される。損失関数は、観測されたイベントにおける高い強度を報酬として与える一方で、自明な強度の増大を防ぐために、静止期間中のバックグラウンド活性化に対してペナルティを課す。

主な貢献

1. ゼロコピーRustインジェクション: コモディティ・ハードウェア（Apple M2）上で約100 nsのパースと1.2 µsのティッカースキャンを実現するパーサー。RDTSCやカーネルバイパス・ネットワーキングを用いたx86-64へのさらなる削減の可能性がある。
2. 非対称ニューラル・ホークス過程: ノードごとのc-LSTM状態と双線形潜在投影を備えた連続時間モデルであり、対称的な構成では不可能な、方向性がありコンテキストに依存したエッジ重み付けを可能にする。
3. 有界な計算コスト: 適応型プルーニング・ルール（命題1）が有界なグラフ密度を保証し、永続的なストリーミングに対してもスケーラビリティを維持する。
4. 伝播検出プロトコル: 個別のティッカーの価格予測とは異なる評価フレームフレームワークであり、あるニュースイベントの後に「どの」他の企業が異常リターンを経験するかを特定することに焦点を当てる。

実験結果

システムは、FNSPIDコーパス（638の記事、47ティッカー、2022年7月）の1ヶ月間の時系列ホールドアウトで評価された。

• 精度向上 (Precision Lift): 翌日のリターンが上位90パーセンタイルにある閾値において、フルモデルは15.1%の精度を達成した。
  • これは、一様ランダム選択（8.9%）に対して1.70倍の向上である。
  • これは、同一セクター・ヒューリスティック（4.5%）に対して3.36倍の向上である。
• アブレーション研究:
  • グラフ・トポロジー: グラフを削除（隣接行列をゼロに設定）すると、すべての閾値において精度が0.000に崩壊した。これは、グラフがクロスコンパニー・シグナルの唯一の駆動源であることを裏付けている。
  • 双線形投影: この特定のコーパスにおいては、双線形重みは静的な隣接行列に対して精度を測定可能なレベルで向上させなかったが、構造的な方向性を与える役割を果たした。
  • プルーニング: この自然に疎なコーパスにおいて、プルーニングは精度に実質的な影響を与えなかったが、ワーストケースの計算保証には不可欠である。
• レイテンシ: 単一CPUでのレコードあたりのエンドツーエンド処理レイテンシは約13 msである。Rustインジェクション層は、この合計の0.02%未満を占める。
• ポートフォリオ・シグナル: 強度加重ロング/ショート戦略（強度の高い上位10銘柄をロング、低い下位10銘柄をショート）は、ホールドアウト期間中に57.1%のデイリー勝率を伴うプラスの年率リターンをもたらした。

意義と主張

本論文は、従来の個別ティッカー予測を補完するタスク、すなわち「ある企業にショックが発生したとき、どの他の企業がいつ動くかを予測すること」に対処していると主張している。

• アーキテクチャの不変性: 数学的モデルは展開先に対して不変であり、インジェクション層のみが異なるハードウェア（例：カーネルバイパス・ネットワーキングを備えたARMからx86-64への移行）に合わせて再コンパイルを必要とする。
• シグナル源: 結果は、動的なアテンション・ネットワークがこのアーキテクチャにおけるクロスコンパニー・シグナルの独占的な駆動源であることを示している。グラフ・トポロジーがなければ、c-LSTMのダイナミクスやベースライン率は、クロスティッカーの識別能力を全く提供しない。
• スケーラビリティ: システムは単一のARMコアで毎秒40万件以上のレコードを処理できると予測されており、バッチ計算を用いることで、より大きなユニバースでも10 ms未満の推論が可能である。

著者らは、翌日のリターンの複雑さゆえに絶対的な精度（15.1%）は控えめであるが、ベースラインに対する系統的な向上は、本アーキテクチャが孤立したモデルが見逃す構造的な伝播を正常に捉えていることを示していると述べている。今後の課題として、イントラデイ（日中）評価および高次の伝播モデリングへの展開が挙げられている。