From Vector Autoregressions to AI-based Time Series Forecasting: A Review

天気を予測したり、株価の動きを予測したり、あるいは友人が次に何を言うかを予測しようとしている場面を想像してみてください。データサイエンスの世界では、これを予測（forecasting）と呼びます。数十年にわたり、複数の動く要素（温度、風、湿度などが同時に動くような状況）を扱うためのゴールドスタンダード（標準的な手法）は、ベクトル自己回帰（Vector Autoregression）、通称VARと呼ばれる数学的ツールでした。VARを、非常に厳格でルールに従う会計士だと考えてみてください。それは過去を見つめ、未来は過去と全く同じだが、わずかにシフトしたものだと仮定し、固定されたルールを用いて次に何が起こるかを推測します。VARは「なぜ」物事が起こるのかを理解し、理論を検証することには優れていますが、少し硬直的であり、データが乱雑になったり膨大になったりすると苦戦します。

最近では、新しい波である**人工知能（AI）**が到来し、トランスフォーマー（Transformer）（チャットボットの背後にある技術）、基盤モデル（Foundation Models）（あらゆるものについて学習した超スマートなモデル）、拡散モデル（Diffusion Models）（新しい画像を生成できる生成アートのツール）といったツールをもたらしました。これらの新しいツールは、自由で創造的な即興演奏家のようなものです。これらは膨大な量のデータを扱うことができ、奇妙なパターンを見つけ出し、多くの異なる可能性のある未来を同時に描き出すことができます。しかし、ここで大きな疑問が生じます。これらの華やかな新しいAIツールは、本当に世界をより良く理解しているのでしょうか、それとも単に推測が非常に上手いだけなのでしょうか？ 本論文は、古い、硬直した会計士（VAR）と、新しい、創造的なAIの即興演奏家を比較し、彼らがどこで輝き、どこで躓き、どのように彼らの最良の特性を混ぜ合わせる必要があるのかを探るガイドブックです。

---

予測の大衝突：古いルール vs 新しいトリック

リカイ・チェン（Likai Chen）とウェイニング・ワン（Weining Wang）によって書かれたこの論文は、互いに会話を交わすことのない二つの世界、すなわち伝統的な計量経済学（経済の数学）の世界と、現代のAI予測の世界を繋ぐ架け橋として機能しています。著者らは、AIモデルは未来を予測することにおいて驚異的に上手くなっている一方で、古いモデルが持つ「魂」、つまり「なぜ」を説明する能力や、その推測が構造的に健全であることを証明する能力が欠けていると主張しています。

論文は、時を駆ける予測者が直面する3つの大きな課題を中心に物語を構成しています。それは、高次元性（変数が多すぎること）、非定常性（ゲームのルールが変わり続けること）、そして非線形性（物事が必ずしも直線的に動かないこと）です。

1. 旧守派：硬直した設計図としてのVAR

40年間にわたり、**ベクトル自己回帰（VAR）**は定番のツールでした。VARを建物の設計図だと想像してみてください。それは、もし昨日建物がどのように動いたかを知っていれば、固定された一連の設計図（係数）を用いて、今日建物がどのように動くかを正確に計算できると仮定しています。

• 良い点: 透明性があります。「もし私がこの壁を押したら（政策ショック）、屋根はどう反応するか？」と問い、インパルス応答と呼ばれる明確な答えを得ることができます。また、ある事象が本当に別の事象を引き起こしているかどうかを確認するための組み込みテストも備えています。
• 悪い点: 硬直しています。もし建物が奇妙な、直線的ではない動きをし始めたり、地面が動いているために設計図を変更する必要が出てきたりすると、VARは混乱します。また、あまりに多くの壁（変数）を追加しようとすると、数学的な負荷が大きくなりすぎてしまいます。

2. 新入生：トランスフォーマーとアテンション

ここで、AIの主役である**トランスフォーマー（Transformer）**が登場します。著者らはこれを、VARの「非線形な一般化」であると説明しています。

• 比喩: VARが硬直した設計図であるならば、トランスフォーマーはスマートなスポットライトです。過去のデータに対して固定されたルールを用いる代わりに、トランスフォーマーは「今、この瞬間」に最も重要と思われる過去の部分にスポットライトを当てます。
• 仕組み: VARでは、先月のデータに与えられる重みは毎回同じです。しかし、トランスフォーマーにおける「アテンションの重み（attention weights）」は、現在の状況に応じて変化します。経済が危機にあるとき、スポットライトは最近のショックに強烈に焦点を合わせるかもしれません。状況が穏やかなときは、もっと過去へと遡って見るかもしれません。
• 落とし穴: この柔軟性には代償が伴います。スポットライトが動き回るため、「ここにある固定されたルールは何ですか？」と簡単に尋メントすることができません。論文は、トランスフォーマーは「何が起こるか」を予測することには長けているものの、「なぜ」を説明することには極めて劣っていると指摘しています。彼らは、経済学者が政策のために必要とする「インパルス応答」や「因果関係テスト」を自然に生成することはありません。

3. 超準備万端：基盤モデル

次に、論文は**基盤モデル（Foundation Models）**について考察します。これらは、テストを受ける前に図書館にあるすべての教科書を読み終えた究極の学生のようなものです。

• 転換: 従来は、特定の課題ごとに新しいモデルを構築していました（例：インフレ用のモデル、売上用のモデル）。基盤モデルは、膨大な数の異なる時系列データに基づいて**事前学習（pretrained）**されています。
• ゼロショット予測（Zero-Shot Forecasting）: これは、モデルに一度も見慣れない新しいデータセットを与えても、再学習させることなく未来を予測できることを意味します。これは、学生に新しい数学の問題を渡し、彼がすでに百万もの似た問題を解いているために、即座に解決してしまうようなものです。
• リスク: 著者らは**汚染（contamination）**について警告しています。もしモデルが、テストデータを含んでしまっているデータで学習されていた場合、その「完璧な」スコアは嘘になります。それは、解答集を暗記してしまった学生のようなものです。論文は、これらのモデルは印象的ではあるものの、どのようにテストを行うかについては注意が必要であると示唆しています。

4. 夢想家たち：拡散モデル

最後に、拡散モデル（Diffusion Models）があります。VARが単一の数値（点予測）を与え、トランスフォーマーがいくつかの可能性のある数値を与えるならば、拡散モデルは可能性の全編映画を与えてくれます。

• メカニズム: 雲がゆっくりと晴天に変わっていくビデオを想像してください。拡散モデルはその逆の動きをします。純粋な静止画（ノイズ）から始まり、それを徐々に「デノイジング（ノイズ除去）」していくことで、クリアな未来の姿を浮かび上がらせます。
• 力: 単に「雨が降る」と言う代わりに、激しく降るシナリオ、小雨が降るシナリオ、そして突然止むシナリオなど、何千もの異なるシナリオを生成できます。これにより、従来のメソッドよりも不確実性をより良く捉えることができます。
• 限界: 他のAIモデルと同様に、これらは本質的に長期的な経済ルール（共積分など）を知りません。経済理論によれば両者が結びついていなければならないとしても、インフレと金利が永遠に離れていくような未来を生成してしまう可能性があります。

大きな教訓：柔軟性 vs 理解

著者らは、決定的な洞察をもって結論づけています：現代のAI手法は、古い手法を置き換えるものではなく、ツールキットを拡張するものであるということです。

• 得られたもの: AIモデルは、非線形性（奇妙で曲線的なパターン）や高次元性（膨大な量のデータ）を扱うことに長けています。人間がルールを書き込むことなく、データから複雑なルールを学習することができます。
• 失ったもの: 彼らには、旧来のVARが持つ構造的ツールが欠けています。彼らは自然に「インパルス応答」（ショックがどのように伝わるか）、「グレンジャー因果性」（AはBを引き起こすのか？）、「共積分」（変数が長期的にどのように結びついているか？）を提供することはありません。
• 結論: 論文は、古い計量経済学のツールを捨てるべきではないと主張しています。むしろ、AIの予測力と計量経済学の説明力を組み合わせる必要があります。

著者らは、未来はハイブリッドなアプローチにあると示唆しています。私たちは、これらの柔軟でブラックボックス的なAIモデルを取り入れ、それらに経済の構造的ルールを遵守させる方法を見つけ出すか、あるいは彼らの予測が理にかなっているかをテストする新しい方法を開発する必要があります。それまでは、AIは「何が起こるか」を教えることはできますが、伝統的な計量経済学者は依然として「それがなぜ重要なのか」「どう対処すべきか」を伝えることに最も長けているのです。論文は、これを「中心的な未解決問題」と呼び、締めくくっています。すなわち、これらの強力な新しい機械を、単なる優れた「推測者」ではなく、優れた「説明者」にするにはどうすればよいか、という問題です。