💻 computer science

Macroeconomic Message Passing for Anticipating Foreign Exchange Regime Changes: A Deep Logical Learning Approach using Graph Tsetlin Machines

本論文は、マクロ経済指標およびテクニカル指標のハイパーベクトル化された有向マルチグラフ上でのメッセージパッシングを利用して、外国為替のレジーム変化を予測するグラフ・テッツリン・マシン・フレームワークを提案し、特にUSD/JPYの市場シフトを予見する上での有効性と解釈可能性を実証するものである。

原著者： Christian Blakely, Melanie Gilmore

公開日 2026-07-09

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Christian Blakely, Melanie Gilmore

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

あなたは、単一の温度計を見るのではなく、風や海流、そして隣接する都市の気温が互いにどのように影響し合っているかを観察することで、外国の天気を予測しようとしているのだと想像してください。

これは、この論文が実際に行っていることの本質ですが、対象が天気ではなく、米ドル対日本円の通貨市場の「ムード（相場観）」の予測なのです。

以下に、日常的な例えを用いた、彼らのアプローチの簡単な解説をまとめます。

1. 問題点：市場には「ムード」がある

著者らは、通貨市場は単なるランダムな動きではなく、明確な「レジーム（体制）」や「ムード」を持っていると主張しています。彼らは主に4つのムードを特定しています。

停滞（静寂）： 価格がほとんど動いていない状態。風のない池のように、動きが乏しい状態です。方向性がはっきりしないため、予測が難しく退屈です。
安定したトレンド（巡航）： 価格が一定方向に着実に、ゆっくりと動いている状態。線路の上を進む列車のようです。
チョッピー（ジェットコースター）： 価格が激しく上下に跳ね上がっていますが、最終的にはどこにも辿り着きません。トレンドに従おうとする投資家にとっては危険な状態です。
ボラティリティを伴うトレンド（ロケット）： 大きな経済イベントなどにより、価格が速く、大きく一方向に動いている状態です。

課題： 従来のコンピュータは、「停滞」のムードを見抜くのが苦手です。ノイズに惑わされて混乱してしまいます。また、従来のモデルはデータを孤立した状態で見てしまうことが多く、キッチンやリビングで何が起きているかを知らずに、一つの部屋の温度だけをチェックしているようなものです。

2. 解決策：「データの近所見守り隊」

著者らは、**グラフ・ツェトリン・マシン（GraphTM）**と呼ばれる新しい種類のAIを構築しました。

グラフ（地図）： すべての情報が点（ノード）である地図を想像してください。ある点は円の価格、別の点は米国の金利、また別の点は原油価格、そして別の点はユーロの価格です。
エッジ（会話）： これらの点を結ぶ線です。これらの線は、それらが互いにどのように影響し合っているかを表しています。例えば、米国の金利が変化すると、そのメッセージは線に沿って円の価格の点へと伝わります。
「メッセージ・パッシング（情報の伝達）」： これが魔法の部分です。AIは単に円の価格を見るだけでなく、隣人たちにこう問いかけます。「ねえ、金利に変化は見られる？原油は動いている？」こうして、これらのメッセージを集めることで、完全な全体像を形成します。

3. 脳：数学ではなく「論理」

現代のほとんどのAI（ディープラーニングなど）は、答えを推測するために複雑な数学を行う「ブラックボックス」として機能します。それは強力ですが、なぜその答えを出したのかという「理由」を簡単に問うことはできません。

この論文で使用されているツェトリン・マシンは、複雑な数学的パターンを探すのではなく、論理的なルールを用いる「探偵チーム」のように機能します。

消去法による推論： 「これはトレンドである」と言うために複雑なパターンを見つけるのではなく、このAIは「動きがない、金利の変化がない、原油の動きもないので、これはトレンドではない」と言うことに長けています。
例え： 静かな図書館を特定しようとしている場面を想像してください。特定の誰かが本を読んでいる音を聞く必要はありません。ただ、「誰も叫んでいない」「誰も走っていない」「誰も物を落としていない」ということを確認するだけでよいのです。それらすべてが欠如していれば、そこが静かな図書館であることを知ることができます。AIは市場データに対してこれを行っています。

4. トレーニング方法

彼らは一度に72時間（3日間）のデータをAIに投入しました。

彼らは単に「今、何が起きているか」だけを見たのではありません。次に3日間で何が起きたかを見て、市場が実際にどの「ムード」に落ち着いたのかを確認しました。
彼らは「多数決」システムを使用しました。もし市場が2日間チョッピーで、その後に1日間トレンドが発生した場合、その期間全体を支配的なムードに基づいてラベル付けしました。これにより、AIが些細で混乱を招くような一時的な変動を無視し、真のストーリーに集中できるようにしました。

5. 結果：なぜ重要なのか

彼らがこれを他の有名なAIモデル（大手銀行や標準的な機械学習ツールで使用されるもの）と比較検証したところ、以下のことが分かりました。

「退屈な局面」に強い： 他のモデルよりも、「停滞（退屈な時期）」を特定することにおいて非常に優れていました。これは極めて重要です。なぜなら、多くの他のモデルが混乱し、損失を出すのはまさにこの時期だからです。
「隣人」の力： 「隣人」のデータ（原油価格や他の通貨など）を取り除き、円の価格のみに絞った場合、AIの精度は大幅に低下しました。これは、円を理解するためには、グローバル経済の他の部分が何を語っているかに耳を傾けなければならないことを証明しています。
リスク管理： 彼らは「リスクスコア」を作成しました。車のダッシュボードを想像してください。道が滑りやすい（チョッピーな相場）とき、ダッシュボードに赤いライトが灯り、ドライバー（トレーダー）に減速または停止を促します。道がクリア（安定したトレンド）であれば、ライトは緑になります。このシステムは、2020年のパンデミックの際、市場が混沌とする前に警告を発することに成功しました。

まとめ

この論文は、異なる経済的要因が互いに影響し合う「近所見守り隊」のようなシステムを構築し、かつ「何が欠けているか（図書館の静けさのようなもの）」を見つけ出すことに長けた論理ベースの脳を使用することで、伝統的な手法よりも通貨市場のムードをより良く予測できると主張しています。これにより、トレーダーはいつ攻め、いつ慎重になり、いつ市場から完全に手を引くべきかを判断できるようになります。

技術要約：外国為替レジームの変化を予測するためのマクロ経済メッセージパッシング

問題提起
外国為替（FX）市場のレジーム（特定のマクロ経済条件によって支配される価格アクションの明確な状態）の特定は、計量ファイナンスにおける重要な課題であり続けている。従来のパラメトリックモデル（例：Hamilton 1989; Krolzig 1997）は、厳格な線形性の仮定に依存しており、高次元の特徴空間において苦戦する。無監督学習やレジームスイッチング・フレームワークを活用した現代的な機械学習手法は適応性を向上させているものの、多くの場合、長いタイムホライズン上で動作するため、急激なレジーム・ショックへの迅速な調整能力に欠ける。さらに、標準的なツェトリン・マシン（Tsetlin Machine; TM）は、解釈可能な論理ベースのパターン認識を提供する一方で、ブール値による入力表現に制約され、明示的に過去の状態をエンジニアリングしない限り、固有のメモリ（記憶）を欠いた固定長アーキテクチャとなっている。本論文が取り組む具体的な課題は、特に「ボラティリティの枯渇」（静的な金利政策に起因する低分散状態）における、信号対雑音比（S/N比）が圧縮された局面において、1時間単位のデータに基づく4つの異なるFXレジームを予測することである。

手法
著者らは、外生的なマクロ経済変数を構造化された論理ベースの学習システムに統合した、**グラフ・ツェトリン・マシン（GraphTM）**フレームワークを提案している。

グラフ表現: 市場は、ハイパーベクトル化された有向多重グラフ $G = (V, E, P, T)$ $G = (V, E, P, T)$ としてモデル化される。
- ノード ( $V$ ): 市場変数（ターゲット価格ノード $v_{UJ}$ 、ボラティリティ軌道ノード $v_{ra}$ 、効率性軌道ノード $v_{le}$ 、およびマクロ経済ドライバーノード $v_{ry}$ [米・日国債利回りと原油価格]）を表す。
- エッジ ( $E$ ): 因果関係および相関関係（例：債券利回りからFX価格へのファンダメンタルズ依存性、クロスマーケットのボラティリティ・リンク）を定義する。
- プロパティ ( $P$ ): 現在および過去の状態（例：正規化されたATRおよび効率性比）を捉える、疎なバイナリ・ハイパーベクトルとしてエンコードされる。
ディープ論理節（Deep Logical Clauses）: グローバルな特徴ベクトルを処理する標準的なTMとは異なり、GraphTMは深い連言節（ $C_j = C^0_j \land C^1_j \land \dots \land C^{D-1}_j$ $C_{j} = C_{j}^{0} \land C_{j}^{1} \land \dots \land C_{j}^{D - 1}$ ）を構築する。
- レイヤー 0 ( $C^0$ ): ローカルなノード特性（例：ボラティリティ拡大の不在の検出）に作用する。
- メッセージパッシング: 上位レイヤーは、エッジを介してノード間で受け渡されるメッセージ記号（ $M$ ）を利用する。下位レイヤーのコンポーネントが真（true）と評価されると、隣接するノードへ信号を送る。後続のレイヤーは、これらの「インボックス（受信箱）」を検査し、隣接ノードのコンテキストに照らしてローカルな状態を検証する（例：安定した債券利回りノードに対して、停滞した価格ノードを検証する）。
学習メカニメント: システムは、ノードおよびレイヤーに分散された非中央集権的なツェトリン・オートマトン（TA）を採用している。学習は、2種類のフィードバックによって駆動される離散的な状態遷移を通じて行われる：
- タイプ I（汎化）: 正しい分類に寄与するリテラルを強化し、安定した構造的特性の包含を促進する。
  には、現在の市場状態と矛盾するリテラルを強制的に含めることで、誤分類（例：「停滞」の節が「トレンド」中に活性化することを防ぐ）を抑制し、誤検知を排除する。
レジームの定義: モデルは、正規化されたボラティリティ（ATR）と方向性効率（Efficiency Ratio）の交差によって定義される4つのレジームを対象とする：
1. 停滞 (Stagnant): 低ボラティリティ / 低効率。
2. 安定トレンド (Steady Trend): 低ボラティリティ / 高効率。
3. チョッピー/平均回帰 (Choppy/Mean-Reverting): 高ボラティリティ / 低効率。
4. ボラティリティ・トレンド (Volatile Trend): 高ボラティリティ / 高効率。
ラベル付け戦略: 時間的安定性を確保するため、ラベルは前方参照ウィンドウに対する72時間の多数決方式を用いて生成され、一時的な時間単位のノイズをフィルタリングする。

主な貢献

グラフ理論によるレジーム検出: 本論文は、マクロ経済のドライバーとテクニカル指標をグラフ構造にマッピングすることで、クロスアセットの依存関係と因果関係を明示的に捉えるGraphTMのFX市場への適用を紹介している。
消去法による推論: アーキテクチャは、プロパティの「不在」（例：ボラティリティ拡大の欠如）を指定できる能力を活用しており、これが停滞状態を正確に分類する上で特に効果的であることを強調している。
ハイパーベクトルによるノイズ耐性: ノードの特性とメッセージを高次元のハイパーベクトル空間にエンコードすることで、モデルは信号の明瞭性が低い環境においても予測の堅牢性を維持する。
非対称リスク指標: 著者らは、非対称コスト行列に基づくカスタムの「トレーディング・リスク・スコア」を提案している。この指標は、生の統計的精度よりも、チョッピーな市場における誤ったトレンド予測による資本毀損の最小化を優先し、モデルの最適化を実用的なアルゴリズム取引の制約に適合させる。

結果
実証的な評価は、訓練（60%）およびアウトオブサンプル（OOS）テスト（40%）に分割され、厳格な時系列順序と、リーケージを防ぐための72時間のデータパージを伴うUSD/JPYの1時間足データに対して行われた。

パフォーマンス: フルGraphTMは、**70.69%**の全体的なOOS精度を達成した。
- クラス 0 (停滞): 精度 80.51%。
- クラス 2 (チョッピー): 精度 71.91%。
- クラス 1 (安定トレンド): 精度 48.16%。
- クラス 3 (ボラティリティ・トレンド): 精度 11.24%（サンプルサイズと急激な発生による制限）。
比較分析: GraphTMは、勾配ブースティング決定木（62.54%）、グラフニューラルネットワーク（56.13%）、および最大2ラグを備えた標準的な畳み込みツェトリン・マシン（CoTM）（58.76%）などのベンチマークを上回った。
アブレーション研究: 外生的なマクロ経済ノード（債券利回り、原油、クロス・ペアのボラティリティ）を除去すると、大幅な性能低下が見られた（全体精度が48.01%に低下、特にクラス1については9.93%まで低下）。これは、内部のモメンタム指標だけでは、安定したトレンドと横ばいのコンソリデーションを区別するには不十分であることを裏付けている。
リスク指標: 高ボラティリティのCOVID-19期間（2020年）において、ローリング・リスク指標は高い構造的不確実性を正しく特定した。逆に、2021年から2022年の安定トレンド期間中、リスク指標はほぼゼロに減衰し、モデルが低運用リスクの期間を検出できることを示した。

意義と主張
本論文は、マルチモーダルな市場レジームをナビゲートするための、堅牢で透明性が高く、計算効率の高いパラダイムを提示していると主張している。その主要な意義は、構造的な幾何学的学習と記号的な説明可能性の間のギャップを埋めることにある。マクロ経済の関係をグラフ構造としてメッセージパッシングを用いることで、モデルは、ディープニューラルネットワークのようなブラックボックス的な性質を持つことなく、従来の長期モデルよりも速くレジーム変化を予測できる。著者らは、このアプローチが、停滞した市場における「消去法による推論」や、クロスアセットの相関を組み込む上で特に価値が高いと断じている。本研究は、グラフベースの論理的学習が、マクロ経済の関係をグラフ構造として明示的にモデル化することによって、金融予測における従来の機械学習に代わる実行可能な選択肢を提供することを結論づけている。