A Comparative Analysis of Machine Learning Models for Long and Short-Term Forecasting of the Egyptian Stock Market: A Focus on EGX30

技術要約：エジプト株式市場の長期および短期予測における機械学習モデルの比較分析

問題提起
エジプト株式市場、特にEGX30指数は、ダイナミックでありながら研究が進んでいない新興金融領域を象徴しています。グローバルな株式市場に関する広範な文献は存在するものの、エジプトのような発展途上市場特有のトレンドやダイナミクスを理解することには決定的な空白が存在します。この地域の投資家は、テクニカル分析の専門知識の不足や、高リターン市場に内在するリスクにより、しばしば課題に直面しています。本研究の主な目的は、EGX30に特化した精密な予測モデルを開発・評価することにより、この空白を埋めることです。本研究は、リスク管理と投資戦略の策定を支援するために、短期（最大1週間）および長期（最大2ヶ月）の両方の市場トレンドを予測できる堅牢なツールの必要性に対処しています。

手法
本研究では、歴史的なEGX30データを利用した包括的な比較フレームワークを採用しています。手法は以下の3つのコアコンポーネントで構成されています。

1. データ前処理および特徴量エンジニアリング:

   • データセットは時間的特徴（曜日、月、年など）に分割されましたが、相関分析の結果、これら単独では株価との相関が低いため不十分であることが明らかになりました。
   • 歴史的な文脈と時間的依存関係を捉えるために、本研究ではローリングウィンドウ・ラグ特徴量を導入しました。
   • テクニカル指標として、単純移動平均（SMA）、指数平滑移動平均（EMA）、ボリンジャーバンド、相対力指数（RSI）、商品チャネル指数（CCI）を設計しました。
   • 金融データの固有の時間構造を尊重し、複数日にわたるトレンドの予測を可能にするため、履歴データにラグ関数を適用しました。

2. モデル選定:
   本研究では、7つの機械学習アルゴリズムと2つのディープラーニング・アーキテクチャを評価しました。

   • 伝統的な機械学習: K-近傍法（KNN）、決定木回帰、ランダムフォレスト、Extra Trees、アダブースト（AdaBoost）、Light Gradient Boosted Machine（LightGBM）、およびExtreme Gradient Boosting（XGBoost）。
   • ディープラーニング: 長短期記憶（LSTM）およびゲート付き回帰ユニット（GRU）。
   • アンサンブル・アプローチ: 上位のパフォーマンスを示したモデルに対してブレンディング手法を適用し、特に長期的なホライゾン向けにアンサンブル予測器を作成しました。

3. 評価フレームワーク:

   • タイムホライゾン: モデルは、1日、1週間、1ヶ月、2ヶ月の4つの異なる予測間隔でテストされました。
   • 指標: パフォーマンスは、平方根平均二乗誤差（RMSE）、平均絶対パーセント誤差（MAPE）、および決定係数（$R^2$）を用いて定量化されました。
   • 最適化: ディープラーニングモデルには、効率的な収束のためにAdamオプティマイザが使用されました。

主な結果
実験結果は、予測ホライゾンに応じて明確なパフォーマンス特性が異なることを明らかにしました。

• 1日予測: XGBoostが優れたモデルとして浮上し、RMSE 0.0163、$R^2$ 0.993という最高の精度を達成しました。LightGBMとランダムフォレストも堅牢なパフォーマンスを示しましたが、XGBoostがわずかに効果的でした。
• 1週間予測: GRUモデルが他のすべてのモデルを上回り、最低のRMSE（0.0406）と最高の$R^2$（0.961）を達成しました。ランダムフォレストとExtra Treesも良好な成績を収めましたが、季節性や複雑な関係性を捉えるGRUの能力が決定的な要因となりました。
• 長期予測（1ヶ月および2ヶ月）:
  • GRUは引き続き優れたパフォーマンスを示し、1ヶ月および2ヶ月のホライゾンの両方において、最高のRMSEと$R^2$スコアを維持しました。
  • KNNは驚くべき結果をもたらし、短期的な結果を大幅に上回って、長期予測におけるトップティアのパフォーマンスモデルとなりました（1ヶ月予測で3位、2ヶ月予測で2位）。
  • アンサンブル手法: 最も優れた個別のモデルをブレンドしたアンサンブルモデルは、長期予測において最も顕著な改善を達成しました。特に、2ヶ月予測のシナリオにおいて、アンサンブルモデルのRMSEはスタンドアロンのGRUモデルよりも約5倍低く、長期ホライゾンにおけるアンサンブル手法の有効性を強調しました。

意義および貢献
本研究は、新興市場における金融予測の分野に対し、いくつかの重要な貢献を主張しています。

1. コンテキストに即した洞察: EGX30に特化したMLおよびDLモデルの詳細な比較分析を初めて提供し、エジプト市場の独自のダイナミクスをナビゲートする投資家に実行可能な洞察を提供します。
2. ホライゾン依存のモデル選定: 本研究は、普遍的に最適な単一のモデルは存在しないことを確立しました。XGBoostは高頻度の1日予測に適しており、一方でGRUおよびアンサンブル手法は、週次および月次のトレンドの複雑さを捉えるために不可欠であることを示しています。
3. KNNの再評価: 本研究は、KNNを純粋に短期的な、あるいは単純なアルゴリズムとする従来の観点に異を唱え、この特定の市場環境における長期的なトレンド予測に対する予想外かつ持続的な関連性を明らかにしました。
4. アンサンブルの優位性: 個別のディープラーニングモデルは強力ですが、アンサンブル・ブレンディングは、個別のモデルが高いエラー率に苦しむ長期予測において、堅牢性と精度を大幅に向上させることを強調しています。

限界と今後の方向性
著者らは、多数のモデルの微調整には多大な計算リソースが必要であり、それがハイパーパラメータ最適化の深化を制限する可能性があることを認めています。今後の課題として以下を提案しています。

• 時系列予測において有望視されているTransformerアーキテクチャの統合。
• 予測特徴量を豊かにするために、グローバルおよびローカルのビジネス・カレンダー、ニュース、および著名人のソーシャルメディアの投稿から得られる**感情分析（センチメント分析）**の組み込み。

結論として、本研究は、エジプト株式市場における高度な機械学習およびディープラーニング技術の有用性を検証しており、モデルの選定は投資戦略の特定のタイムホライゾンに合わせる必要があることを強調しています。