Impact of Expert-Following Strategies in Financial Asset Recommendation

技術要約：金融資産推奨におけるエキスパート・フォロー戦略

問題提起
金融資産推奨（Financial Asset Recommendation, FAR）は、2つの相反する目的、すなわち「実際の投資収益率（Return on Investment, ROI）の最大化」と「投資家の好みの整合性（正規化されたDiscounted Cumulative Gain, nDCGによって測定）」の間にある根本的なトレードオフに直面している。既存のアプローチは、通常、どちらか一方の指標のみを最適化している。リターンベースの戦略は個人の好みを無視しがちであり、その結果、関連性が低くなる。一方で、好みベースの戦略（協調フィルタリングや人気モデルなど）は、市場平均並みのリターンしか得られず、有意なアルファ（超過収益）を生み出すことができない。先行研究 [2] は、既存の手法ではROIとnDCGの両方においてベースラインを同時に上回ることはできないことを確認しており、行動シグナルを用いてこれらの基準を共同で最適化できるフレームワークの必要性を提示している。

手法
本論文では、高パフォーマンスな投資家の取引履歴を活用することで、収益性と関連性の間の溝を埋めるために設計されたフレームワークである**エキスパート・フォロー戦略（Expert-Following Strategies）**を提案する。この手法は以下のように機能する：

1. エキスパートの特定: システムは、学習期間における過去のROIに基づき、トレーニング期間から「エキスパート」となる投資家のサブセット（$E_X$）を特定する。具体的には、上位 $X\%$ の投資家（ここで $X \in \{5, 10, 15, 20\}$）が選択される。投資家のROIは、純保有株式数（購入数から売却数を引いたもの）を考慮した、学習ウィンドウ $[t_0, t]$ におけるポートフォリオのリターンとして算出される。
2. 資産スコアリング: 複雑なモデル学習を用いる代わりに、本フレームワークは特定されたエキスパートたちの集団的な行動に基づいて資産をスコアリングする。各資産 $i$ について、推奨スコア $S_i$ は、ROIで重み付けされた購入頻度の合計として計算される：
   $$S_i = \sum_{u \in E_X} \max(\text{ROI}_u(t_0, t), 0) \cdot C_{u,i}$$
   ここで、$C_{u,i}$ はエキスパート $u$ が資産 $i$ を購入した回数を示す。この定式化により、高パフォーマンスな投資家によって頻繁に購入された資産が高いスコアを得るようになり、集団的な好みのシグナルと収益性の重み付けを効果的に組み合わせている。
3. 推奨: スコアの高い上位 $k$ 個の資産（$k=10$）をユーザーに推奨する。

実験設定
本研究では、2018年1月から2022年11月までの取引履歴をカバーする FAR-Trans データセットを使用している。評価には、堅牢なマルチインスタンス・ウォークフォワード検証フレームワークを採用している：

• 検証: 10個のスライディングウィンドウ・インスタンスを生成した。各インスタンスは、約14ヶ月の学習期間と10ヶ月の評価期間を持つ。
• 指標: パフォーマンスは、ROI@10（平均ポートフォリオリターン）、SR@10（年率化シャープレシオ）、および nDCG@10（保有期間内における購入アイテムの関連性）を用いて評価された。
• ベースライン: 提案手法は、リターンベースの戦略（シャープ・レシオ最適化、ランダムフォレスト）、好みベースの戦略（人気度）、および市場平均ベースラインと比較された。

主な結果
実験の結果、エキスパート・フォロー戦略はROIとnDCGのトレードオフを解決することに成功したことが示された：

• 同時改善: 片方の指標を犠牲にしてもう一方の指標で優れた結果を出すベースライン（例：ランダムフォレストは高いROIを達成したがnDCGはほぼゼロであった；人気度モデルは高いnDCGを達成したが有意なROIの向上は見られなかった）とは異なり、エキスパート・フォローの各バリアントは、4つすべてのエキスパート閾値において、市場平均ベースラインに対してROIとnDCGの両方で統計的に有意な改善を達成した。
• トップパフォーマンス: **上位5%**のエキスパート・バリアントは、高いnDCG（0.176）を維持しながら、最高のROI（0.246）を達成し、パフォーマンス・ランドスケープにおける「高ROI／高nDCG」領域を占めた。
• 統計的有意性: 改善は、対応のあるt検定およびボンフェローニ補正を用いたウィルコクソンの符号付き順位検定（$\alpha' \approx 0.0071$）によって検証された。

意義と主張
本論文は、エキスパート・フォロー戦略が、二重目的最適化問題に対するシンプルかつ効果的な解決策を提供すると主張している。核心的な意義は、高パフォーマンスな投資家は、利益最大化戦略と、一般的な投資家の好みに合致する現実的な購買行動の両方を反映した取引パターンを本質的に備えているという発見にある。これらのエキスパートを特定してフォローすることで、本フレームワークは複雑なモデル学習を必要とせずに強固なバランスを実現している。著者らは、このアプローチは取引コストがゼロであることを前提としているため（これにより、高回転戦略のROIを過大評価する可能性がある）、将来的な現実的な手数料やグラフベースのモデルを用いた研究に向けた強力な経験的基盤を提供するものであると述べている。