Ensemble learning for time series forecasting using metaheuristic optimisation

未来を予測することは人間の本能ですが、数字の未来を予測することは、極めて困難な科学として知られています。金融の世界において、時系列予測とは、昨日、先週、そして昨年がどのような値であったかに基づいて、明日の株価がどうなるかを推測しようとする試みです。データはめったに直線的な形を取ることはなく、まるで嵐の中の天気を予測しようとするかのように、ギザギザでノイズが多く、絶えず変化しています。市場は非常に揮発性が高く予測不可能であるため、単一の手法に頼って予測を行うことは、たった一つのコンパスだけで船を操縦しようとするようなものです。もしそのコンパスがわずかに狂っていれば、航海全体が台無しになってしまいます。だからこそ、研究者たちは「アンサンブル学習」という戦略に目を向けました。これは、複数の異なる予測モデルを構築し、それらを組み合わせる戦略です。一人の専門家を信じる代わりに、システムの「専門家パネル」の声を聞き、彼らの知恵を組み合わせることで、個々のミスを相殺し、より明確な進むべき道を見出そうとするのです。

しかし、課題はその「専門家たちをどのように組み合わせるか」という点にあります。もし単にすべてのモデルに予測を求め、その平均を取るだけでは、あるモデルが現在素晴らしいパフォーマンスを発揮している一方で、別のモデルが苦戦しているという事実を見逃してしまうかもしれません。真のコツは、ある特定の瞬間に、どのモデルをより信頼すべきで、どのモデルの声を小さくすべきかを判断することです。これが、インドの研究チームが開発した、これら予測モデルのグループを管理する新しい手法が取り組んだ具体的な問題です。彼らは、鳥の群れの動きにインスパイアされたものと、不確実性を扱う数学的手法に基づいたものの2つの異なるシステムを作成し、各モデルの予測にどれだけの重みを与えるかを動的に決定できるようにしました。彼らの目標は、市場状況の変化に応じて、最も信頼できる予測対象へと焦点を移すことができる、リアルタイムで適応可能なシステムを構築することでした。

これらのアイデアを検証するために、研究者たちはインド株式市場に注目しました。そこは、主要な経済改革や世界的なパンデミックを含む、過去15年間で劇的な変化を経験してきた、広大で複雑な金融エコシステムです。彼らは7つの異なるエンティティに関する履歴データを収集しました。これには、経済の全体的な健全性を追跡する2つの主要な市場指数と、取引所に上場している最大手企業5社が含まれます。彼らは単一の予測エンジンだけに頼ることはしませんでした。代わりに、それぞれに独自の強みを持つ3つの異なる人工知能モデルからなる「パネル」を構築しました。一つのモデルは静的なデータの中のパターンを見つけるように設計され、もう一つのモデルは時間の経過に伴う長期的なトレンドを記憶するように構築され、三つ目のモデルは、その記憶ベースのモデルを簡略化し、より高速に動作するように設計されたものでした。これら3つのモデルは、翌日の終値を予測することを学習するために、過去15年間のデータを用いて訓練されました。

これら3つのモデルの準備が整った後、研究者たちは、これらの予測を組み合わせるために、彼らの2つの新しい管理システムを適用しました。最初のシステムは「Ensemble PSO」と呼ばれ、最適な解を探索する粒子の群れ（スウォーム）をシミュレートすることで機能します。鳥の群れが一緒に飛んでいる様子を想像してみてください。それぞれの鳥は、自分自身の最良の位置と、群れ全体が見つけた最良の位置を知っています。彼らは常に、最良の地点へと向かうように飛行経路を調整します。このコンピュータシステムにおいて、「鳥」とは、3つのモデルに割り当てられたさまざまな重みの組み合わせです。システムは数千回のシミュレーションを実行し、予測価格と実際の価格の間の誤差を最小限にする完璧なバランスが見つかるまで、組み合わせを絶えず調整します。二つ目のシステムである「Ensemble ARO」は、異なるアプローチを取ります。これは、市場の不確実性を数学的に管理すべき変数として扱い、市場が予想外の挙動を示した場合でも堅牢であり続ける重みのセットを見つけ出します。これは本質的に、「予測を組み合わせるための最も安全な方法は何であり、どうすれば不意を突かれることがないか？」と問いかけているのです。

研究者たちは、これら2つの新システムを、個々のモデル、3つのモデルの単純な平均、および過去に使用されてきた他の高度な予測手法と比較しました。7つの異なるデータセットすべてに対して公平な比較を行うために、彼らは結果をスコアリングする新しい方法を開発しました。予測が平均してどれくらい外れたかという単一の数値を見るのではなく、4つの異なる精度指標を確認し、それらを一つの包括的なスコアへと統合しました。これにより、単一のデータセットだけでなく、7つの異なる銘柄や指数全体にわたってモデルをランク付けすることが可能になりました。

結果は明白かつ一貫していました。スウォームベースの最適化を用いたシステムである「Ensemble PSO」は、個々のモデルや他のアンサンブル手法を含む、他のあらゆる手法を一貫して上回りました。それは、テストされたさまざまな市場状況や期間において、最も信頼できる予測モデルであることを証明しました。二番目に優れたパフォーマンスを示したのは、ロバスト最適化アプローチを用いたシステムである「Ensemble ARO」であり、これも標準的なモデルを大幅に上回りました。研究によれば、長期記憶ネットワークのような個別のモデルは、特定のタスクにおいては優れているものの、市場が過度に不安定になったり予測不能になったりすると、しばしば苦戦することが判明しました。重みを動的に調整することで、新しいアンサンブルシステムは、その特定の瞬間に最も優れたパフォーマンスを発揮しているモデルに頼ることができ、効果的に誤差を平滑化し、より正確な予測を提供することができました。

研究者たちは、彼らのアプローチが金融予測における強力なツールを提供すると結論付けました。異なるモデルの重みを管理するためにメタヒューリスティック最適化を用いることで、単一のアルゴリズムや単純な平均に頼るよりも、適応性と正確性に優れたシステムを作り上げました。この知見は、ノイズが多く変化の激しいデータの世界において、最善の予測方法は単一の完璧なモデルを見つけることではなく、インテリジェントなシステムによって導かれ、共に機能することができる柔軟なモデルのチームを構築することであると示唆しています。この研究は、人工知能を用いて株式市場の複雑さをナビゲートする方法における具体的な前進を提供しており、その手法は、金融データの現実世界の予測不可能性に対処できるほど、スケーラブルで堅牢なものです。