🤖 machine learning

Amortized Interventional Forecasting for Multivariate CIR Processes

本論文は、CDSスプレッドなどの金融時系列における因果的な「もしも（what-if）」分析を可能にするため、歴史的な相関と因果的なショックを区別し、因果的選択性とホライゾン分解されたキャリブレーションの両面において観測ベースラインを凌駕する、多変量Cox–Ingersoll–Ross過程のためのアモータイズド介入型予測フレームワークであるCIR-ACTIVAを導入するものである。

原著者： Andreas Sauter, Sumit Sourabh, Drona Kandhai, Erman Acar

公開日 2026-08-05

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Andreas Sauter, Sumit Sourabh, Drona Kandhai, Erman Acar

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

鳥の群れを観察しているところを想像してみてください。時々、彼らは一斉に左へ急降下し、またある時は一斉に右へと飛び込みます。ただ眺めているだけなら、彼らが皆、互いの動きを模倣しているのだと思うかもしれません。しかし、もし一羽の鳥がタカに驚いて急降下し、それが原因で他の鳥たちも連鎖的に急降下したとしたらどうでしょう？これは「原因と結果（因果関係）」の関係です。金融の世界でも、お金はこれに似た「群れ」のように動きます。金利、信用スコア、そして資金調達コストは、しばしば連動して上昇したり下落したりします。長い間、コンピュータは過去のパターンを単に観察することでこれらの動きを予測してきました。「二つの事象が一緒に動いているなら、それらは結びついているはずだ」という前提に基づいた予測です。しかし、これは「雄鶏が鳴くから太陽が昇るのだ」と考えるようなものです。

科学者がこれらの金融的な「群れ」をモデル化するために使用する特定のツールは、CIRプロセス（3人の研究者：コックス、インガソル、ロスにちなんで名付けられました）と呼ばれます。これらは、ゴムバンドが引き伸ばされた後に元の位置に戻ろうとするように、自然に「平均的な値」に戻ろうとする性質を持つ事象を記述するための数学的な方法だと考えてください。この論文が取り組んでいる大きな疑問は、「もしシステムの一部分を強制的に変化させたらどうなるか？」ということです。もし人工的にある企業の信用スコアにショックを与えた場合、他の企業はどう反応するのでしょうか？従来のモデルでは、この問いに答えることはできません。なぜなら、彼らは事象がどのように「動いてきたか」を知っているだけで、そのうちの一つを「押した」場合にどう動くかまでは知らないからです。この論文は、新しいシナリオごとにコンピュータモデルを構築し直すことなく、こうした「もし〜だったら（what-if）」という問いに答えるための新しい手法を導入しています。

問題点：雄鶏と太陽

金融の世界では、多くの事象がゴムバンドのように振る舞います。クレジット・スプレッド（企業の資金調達コスト）が高くなりすぎると、通常は正常なレベルへと戻ろうとします。逆に低くなりすぎると、緩やかに上昇しようとします。これは「平均回帰（mean-reverting）」と呼ばれます。

数十年にわたり、科学者たちはこれらの動きを予測するために、CIRプロセスと呼ばれる標準的なモデルを使用してきました。これは歴史に基づいた「次に何が起こるか」を推測する上では非常に優れています。しかし、これには盲点があります。それは、二つの事象が共に動いているのを見て、それらが関連していると決めつけてしまうことです。モデルは「なぜ」そうなるのかを知りません。

銀行へのストレス・テストを想像してみてください。規制当局が「もし企業Aの信用格付けが暴落したらどうなるか？」と尋ねたとします。賢明なモデルであれば、「企業Bは不安を感じて格付けが下がるかもしれないが、企業Cは企業Aとは無関係なので、冷静なままでいられるだろう」と答えるはずです。

しかし、従来のモデルは、過去に企業Aと企業Cが同時に動いていたのを見ただけの、混乱した観察者のようです。企業Aが暴落したとき、古いモデルはパニックに陥り、「大変だ、企業Cも暴落しなければならない！」と言い出します。彼らは「相関関係（物事が同時に起きること）」と「因果関係（あることが他の事象を引き起こすこと）」を混同してしまうのです。これにより、「ファントム・ショック（幻影の衝撃）」が発生します。つまり、モデルが実際には安全な企業に対してまで災厄を予測してしまい、銀行が不必要な保険のために無駄なコストを支払う原因となるのです。

解決策：タイムトラベル・シミュレーター

著者であるアンドレアス・サウターとそのチームは、「CIR-ACTIVA」と呼ばれる新しいツールを構築しました。彼らは、「もし〜だったら」という問いに、新しいシナリオごとに再学習することなく、即座に答えを出せるシステムを作りたかったのです。

これを行うために、彼らは非常にトリッキーな問題を解決しなければなりませんでした。「現実の世界に行って、ある企業の株価をわざと暴落させて結果を見る」ということができない以上、どうやってコンピュータに因果関係を教えるのか、という問題です。実際の市場でそのような実験を行うことはできません。

そこで、彼らは「仮想世界」を構築しました。彼らは「因果シミュレーター」を作成し、偽の金融データを生成させました。この仮想世界では、誰が誰に対して原因となるのかが明確に分かっています。例えば、「このシミュレーションでは、企業Aが企業Bの変化を引き起こすが、企業Cは完全に独立している」と設定できます。そして、シミュレーション内で企業Aを暴落させ、その結果を観察します。これにより、彼らは「グラウンド・トゥルース（正解）」、つまり「もし〜だったら」という問いに対する正しい答えを得ることができます。

彼らは、このAIモデルであるCIR-ACTIVAを、数百万ものこれらの偽のシナリオを用いて訓練しました。モデルは、動きの履歴と特定の「ショック（例：企業Aを暴落させる）」を観察し、グループ全体の未来を予測することを学習しました。

秘訣：登場人物としての「時間」

未来を予測するほとんどのAIモデルは、時間を単純な数字のリストとして扱います。しかし、CIR-ACTIVAは巧妙な方法をとります。それは、時間そのものを物語の登場人物として扱うことです。

坂道を転がるボールについての物語を誰かに話していると想像してください。もし、ボールがあった場所のリストだけを渡されたら、次にどこへ行くかを推測するのは難しいでしょう。しかし、「1:00に頂上にあり、1:05に中間地点にあり、1:10に底に着いた」と伝えられたら、その人は「速度」や「勢い」を理解できます。

CIR-ACTIVAは、データを特定のタイムスタンプが付随した「スナップショットの集合」として捉えます。単に「企業Bが下がるときに企業Aも下がる」と学ぶのではありません。「ショックの直後に企業Aは急速に下落するが、その後数日間で減速し、落ち着いていく」ということを学習するのです。

また、このモデルは「アモルタイズド・インファレンス（償却推論）」と呼ばれる特別なトリックを使用しています。通常、新しいシナリオで何が起こるかを知りたい場合、コンピュータを一から教え直す必要があります。これには長い時間がかかります。しかし、CIR-ACTIVAは、あらゆる種類の物理学の問題を学び尽くした学生のようなものです。新しい問題を与えられても、教科書を開くことなく、即座に解くことができます。彼らは、すべての訓練シナリオを通じて学習を「アモルタイズ（分散・償却）」させたのです。

結果：真の被害者を特定する

チームは、時間や因果関係を理解していない他の高度なモデルを含め、CIR-ACTIVAをテストしました。彼らは、誰が「もし〜だったら」の回答を正しく導き出したかを、仮想世界を用いて検証しました。

結果は明白でした。シミュレーション内で一つの企業にショックを与えたとき：

旧来のモデル（および「GMR」ベースライン）： 彼らはパニックに陥りました。犠牲となった企業とは何の繋がりもない企業までもが暴落すると予測しました。彼らは「友人」と「他人」の区別がつきませんでした。
CIR-ACTIVA： それは冷静でした。犠牲となった企業が暴落し、その直接的な関係者が影響を受ける一方で、無関係な企業は安全であると正しく予測しました。これは、モデルが**因果的選択性（causal selectivity）**を備えていること、つまり「正しい相手だけを原因として特定できる」ことを示しています。

また、このモデルは「いつ」事象が起こるかを予測することにも非常に長けていました。ショックが直後に強く当たり、その後時間の経過とともに和らいでいくことを理解していました。他のモデルは、予測が遅すぎたり、逆に早すぎたりすることがよくありました。

なぜこれが重要なのか

これは単なる数学的なゲームではありません。現実の世界において、もし銀行が「ファントム・ショック」のせいで安全な企業が危険にさらされていると誤解すれば、彼らはその株を売却したり、必要のない高価な保険を購入したりすることになります。これは現実の損失につながります。

著者らは、彼らのモデルがこのシミュレーションの世界で極めてうまく機能することを示しました。さらに、この「偽の世界」が「現実の世界」と一致しているかどうかも確認しました。現実の市場はシミュレーションよりも極端な急落（ジャンプ）が多いものの、原因と結果を分離するというモデルの能力は維持されていました。

この論文は、「観測の正確さ」は「因果の正確さ」と同じではないと結論づけています。過去をうまく推測できるからといって、ショックに対処できるとは限らないのです。CIR-ACTIVAは、単に過去に起きたことを推測するのではなく、「ボタンを押したら実際に何が起こるか」をテストするための方法を提供します。これは、単に「何が起きているか」だけでなく、「なぜ起きているのか」を理解する金融モデルへの一歩なのです。

技術要約：多変量CIRプロセスにおける償却型介入フォアキャスティング（Amortized Interventional Forecasting）

1. 問題定義

短期金利、デフォルト強度、およびクレジット・デフォルト・スワップ（CDS）のスプレッドといった金融時系列は、通常、平均回帰プロセスとしてモデル化され、一般にコックス・インガソルズ・ロス（CIR）フレームワークが用いられる。標準的な多変量CIRモデルは、相関のある共変動を捉えることには成功しているが、シリーズ間の因果的影響を表現するメカニズムを欠いている。その結果、これらのモデルは介入クエリ（例：特定のスプレッドをストレス状態のレベルに強制するようなストレス・テスト）に対して、システムがどのように反応するかを予測することができない。

現在の予測モデルは通常、条件付き予測（ある変数が特定のレベルをとったという履歴に基づき、将来の値を予測すること）を提供する。これは、相関と因果関係を混同している。相関のあるシリーズが高い値を示すことは、共通のストレスによる症状である可能性があり、原因ではない。したがって、条件付きモデルは、因果的に遮断されているシリーズに対してショックの影響を誤って帰属させてしまい、ストレス・テストにおいて「ファントム（幻影）」のリスク評価を招く可能性がある。

核心となる課題は、多変量CIRプロセスにおける介入的フォアキャスティング、すなわち $p(\mathbf{V} | \mathcal{D}_{M_o}, do(V_i))$ の推定である。これは観測的等価性（複数の因果モデルが同一の観測データを生成するが、異なる介入結果を暗示する場合があること）によって困難を極める。さらに、現実の金融データには介入のグラウンドトゥルース（正解となるサンプル）が存在しないため、合成ベンチマークなしでは因果的予測モデルの評価が不可能となっている。

本研究の核となる課題は、多変量CIRプロセスにおける分布的因果効果の推定である。

2. 手法

本論文は、因果的データ生成器と償却型推論モデルを組み合わせたフレームワークであるCIR-ACTIVAを提案している。

2.1 因果的多変量CIRシミュレータ

モデルの学習および評価のために、著者らは因果的多変量CIRデータ生成プロセスを導入している。このシミュレータは、実際の市場では入手不可能な、観測サンプルと介入サンプルのペアを生成する。

構造的因果モデル (SCM): モデルは、 $d$ 個の変数で構成され、各変数は離散化されたCIR方程式に従って進化する。
因果的長期平均: 標準的なCIRモデルでは長期平均が固定されているが、ここでは平均 $b_{t+1}^i$ は、因果的親変数（ $PaV_i$ ）の同時刻の値と、時間変調因子 $c_i(t)$ の構造関数である。
ソフト介入: シミュレータは、ターゲット変数のダイナミクスを維持しつつ、その親への依存性を保持したまま、対象変数のダイナミクスをスケーリングするソフト介入 $do(V_i := (1+\delta)f_i)$ を適用する。
バリアント: シミュレータには、定常的な平均を持つ非循環的バリアントと、長期平均が正弦波状に変調する循環的バリアントが含まれており、時変ダイナミクスを追跡するモデルの能力をテストする。
キャリブレーション: パラメータは実データの5年物CDSデータ（2015–2021年）に基づいてキャリブレーションされており、周辺統計量（水準、自己相関、テール挙動）が実際の市場に近似するように設計されている。ただし、純粋な拡散過程では、現実のファットテールやショックの持続性を再現するのが難しいことも認めている。

2.2 CIR-ACTIVA モデルアーキテクチャ

本モデルは、時系列データ向けにACTIVAフレームワーク（ $\beta$ -CVAEベースの償却型因果推定器）を適応させたものである。

時系列への定式化: 観測値を順序のない集合として扱うのではなく、時間を変数へと昇格させる。各観測はタプル $(\mathbf{y}, t)$ である。これにより、モデルは厳格なアーキテクチャ的帰納バイアス（RNNなど）を課すことなく、時間を特徴量として扱うことで、時系列の依存関係を学習できる。
エンコーダ: 等変（equivariant）なトランスフォーマー・エンコーダを用いて、観測コンテキストと介入クエリを処理する。置換等変性を維持しながら、因果モデル上のマルチモーダルな潜在分布を表現するために、条件付き連続ノーマライジングフローを事前分布 $p_\eta(\mathbf{z} | \mathcal{D}_{M_o}, \mathbf{i})$ として採用している。
デコーダ: トランスフォーマー・デコーダは、潜在コード $\mathbf{z}$ を変数と時間の結合分布へと写像する。決定的な特徴として、ホライゾン・バケット化デコーダを使用する。予測ホライゾンは $K$ 個の時間バケットに分割され、デコーダは各バケットに対して、時間に対して線形な平均シフトを持つ全共分散ガウス分布を出力する。これにより、介入則が予測距離に応じて変化することを可能にしている。
出力変換: CIRプロセスの非負性を扱うため、モデルはスプレッドの平方根 ( $\sqrt{x}$ ) を予測して分散を安定させ、変数変換を通じて生の単位へと写像する。
学習: $\beta$ -CVAE目的関数を用いて、大きな $\beta$ 重みで学習を行う。これにより、予測構造を潜在コードではなく、条件付けパス（観測データ + 介入）に強制し、再学習なしで新しいタスクに汎化できるようにする。

3. 主な貢献

CIR-ACTIVA モデル: 多変量CIRプロセスにおける分布的因果効果推定のための新しい償却型モデル。軌跡をタイムスタンプ付きの観測として扱い、ホライゾン・バケット化デコーダを利用して、ショックへの応答が異なる予測ホライゾンにわたってどのように進化するかを捉える。
因果的CIRシミュレータ: 観測データと介入のグラウンドトゥルースのペアを生成する合成データ生成プロセス。これにより、時系列データにおける償却型因果推論モデルの学習と厳密な評価が可能となった。これはこれまで時系列データにおいて欠落していた機能である。
実証的検証: フレームワークはCDSスプレッドに適用されている。著者らは、提案手法が因果的選択性（影響を受けていないシリーズをファントム・ショックから保護する能力）およびホライゾン分解されたキャリブレーション（ショック応答の進化を正確に予測する能力）の両面において、ベースラインを凌駕することを実証している。

4. 実験結果

モデルは、オリジナルのACTIVA、MACE-TNP（ニューラルプロセス推定器）、ガウス混合回帰（GMR、非因果的）、およびOracle floorの4つのベースラインと比較評価された。

因果的選択性: CIR-ACTIVAは、因果的子孫変数と非子孫変数を区別する能力において、ベースラインを大幅に上回った。
- 非子孫変数（因果的に遮断された変数）において、モデルのエラー（Oracleからの超過分）は、子孫変数と比較して**51–56%**減少した。
- 対照的に、GMRやACTIVAのようなベースラインは、非子孫変数に対するエラーを低減できず、しばしば「ファントム」のショック効果を割り当ててしまった。MACE-TNPは一定の選択性を示したが、ダイナミクスが時変（循環的バリアント）になると、その有効性の半分を失った。
ホライゾン分解されたキャリブレーション: CIR-ACTIVAは、観測ダイナミクスから介入ダイナミクスへの遷移が最も重要となる短期的ホライゾンにおいて、最も低いエラーを達成した。
- 循環的データにおいて、近接ホライゾンのエネルギー・スコアは0.46であり、MACE-TNP、ACTIVA、GMRよりも大幅に低かった。
- この優位性は、非循環的データセットのすべてのホライゾンにおいて持続した。
アブレーション研究: 表的な潜在空間（フロー事前分布）またはバケット化デコーダを除去すると、性能が低下した。近接ホライゾンの精度、特に循環的設定においては、両者の組み合わせが不可欠であった。

5. 意義と主張

本論文は、観測的な予測精度は、介入的な正しさの代用にはならないと主張している。結合された金融システムにおいて、相関と因果を区別できないことは、具体的なエラーにつながる。ストレス・テストが非因果的なモデルに基づいている場合、存在しないエクスポージャーに対して損失を計上し、ヘッジの規模を決定してしまうことになる。

CIR-ACTIVAは、以下の方法でこれに対処する：

シナリオごとに再学習することなく、結合されたスプレッド・システムに対する「もしも（what-if）」のクエリに答える手法を提供する。
シミュレータが現実とどの程度一致しているかとは独立した、合成グラウンドトゥルースによる妥当性を確立しつつ、実データのCDSバックテストを通じて実用的な接地性を示している。
将来の因果的フォアキャスターのための制御されたベンチマーク（因果的CIRシミュレータ）を提供する。

著者らは、限界についても謙虚に述べている。合成グラウンドトゥルースは、現実の市場で見られるショックの持続性や大きな動きの頻度（ファットテール）を過小評価しており、報告されたスコアは実世界のパフォーマンスに対する楽観的な上限である可能性がある。また、現在の実装は3つの名称（銘柄）のシステムでテストされており、ポートフォリオ規模のパネルへのスケーリングは別の課題である。しかし、本フレームワークは特定の資産クラスに依存せず、CIR（例：短期金利、確率的ボラティリティ）によってモデル化されるあらゆる平均回帰プロセスに適用可能である。