Historical Coefficient Fields: A Controlled Evaluation of Geometric Market-Memory Representations for Financial Forecasting

技術要約：歴史的係数場と幾何学的市場メモリ

問題提起
金融予測は通常、ラグ付き価格、ローリング統計、あるいはディープラーニングモデルによって学習された潜在的なシーケンスといった、時系列的な履歴の表現に依存している。しかし、時間的に離れた市場の状態が構造的に類似している一方で、連続するセッションが大きく異なることもある。この観察は、金融商品の直近の履歴を、暦通りの時間ではなく、特徴空間における構造的類似性に基づいて整理することで、方向性の予測が改善されるのではないかという仮説を動機付けている。本論文では、直近の金融商品の履歴を正規化された係数ベクトルの幾何学的場として表現することが、標準的な時系列ベースラインに対して予測上の優位性をもたらすかどうかを調査する。

手法
著者らは、市場メモリの幾何学的表現として**歴史的係数場（Historical Coefficient Field: HCF）**を提案している。その手法は以下のように定義される：

1. 入力表現： 各取引セッションは、正規化された幾何学的比率（始値に対する高値、安値、および垂直方向の振幅）からなる**始値相対係数ベクトル（$C_t$）**としてエンコードされる。これにより、スケール不変性が確保される。
2. 場の構築： HCFは点群 $F_t^{(N)} = (H_t^{(N)}, d)$ として定義される。ここで、$H_t^{(N)}$ は直近 $N$ 個の係数ベクトルの集合であり、$d$ はユークリッド距離である。研究の対象は、この点群の時系列インデックスではなく、その「構成」である。
3. 幾何学的記述子： 点群の構造を要約するために、厳密な過去のローリングウィンドウにわたって7つの因果的記述子が計算される：
   • 局所密度 ($\rho$)
   • 持続性 ($P$)
   • 分散 ($D$)
   • 軌跡の安定性 ($S$)
   • 最近傍類似距離 ($\eta$)
   • 分割エントロピー ($H$)
   • 幾何学的エネルギー ($E$)
   • 注： 著者らは、幾何学的エネルギー $E$ が代数的に冗長（$E = D^2$）であること、および分散、安定性、エネルギーが高度に相関したクラスターを形成していることを明記している。
4. 評価プロトコル： 入力表現の効果を分離するため、厳密に制御された**表現のみ（representation-only）**のプロトコルが採用されている。
   • 固定変数： 学習アルゴリズム（ロジスティック回帰、ランダムフォレスト、勾配ブースティング）、ウォークフォワード・データ分割（拡張ウィンドウ、最小750セッション、252ごとに再適合）、およびターゲット変数は一定に保たれている。
   • 変数： 入力表現のみが変化する。4つの表現がテストされる：
     • R1: ラグ付きリターン（10ラグ）
     • R2: ローリング統計（マルチホライゾン・リターン、ボラティリティ、モメンタム）
     • R3: 生の始値相対係数ベクトル ($C_t$)
     • R4: HCF ($C_t$ + 幾何学的記述子)
   • 資産： 価格スケールの異なる4つの公開銘柄：ゴールド (GC=F)、S&P 500 (^GSPC)、EUR/USD (6E=F)、およびビットコイン (BTC-USD)。
   • ターゲット： (1) 次のセッションのリターンの符号（方向性予測）、(2) ボラティリティ拡大（次のセッションの正規化されたレンジが21セッションの中央値を超えるかどうか）。
   • ベースライン： トレンドによる精度指標のインフレを防ぐため、性能は多数派クラスのベースレート（常に頻度の高い方向を予測した場合の精度）に対して測定される。

主な結果
実証的評価は、強固なネガティブな結果をもたらした：

• 方向性予測： いかなる表現も、3つのモデルおよび4つの銘柄のいずれにおいても、多数派クラスのベースレート（平均52.0%）を意味のある形で上回ることはなかった。すべての精度は50.9–52.4%の範囲内にあり、ランダムノイズと一致している。
• 幾何学的記述子の影響： 提案されたHCF表現（R4）は、生の係数ベクトル（R3）を上回ることはなかった。実際、幾何学的記述子を加えることで、方向性の精度はわずかに低下した（例：ロジスティック回帰の平均で51.6% vs 52.4%）。
• 記述子の冗長性： 相関分析により、提案された記述子セットが独立していないことが明らかになった。分散、軌跡の安定性、および幾何学的エネルギーは0.95–0.98で相互に相関しており、事実上、これら3つの記述子は単一の「全体的な広がり」という量へと収束している。
• ボラティリティ拡大ターゲット： シグナルが存在し、すべての表現がベースレート（51.4%）を上回る、より予測可能なターゲット（ボラティリティ拡大）において、幾何学的表現（R3およびR4）は単純なローリング統計（R2）よりも劣っていた（R2は約57%の精度を達成）。幾何学的な構成は、単に冗長であるだけでなく、シグナルが存在する場面において積極的にパフォーマンスを下回っている。
• 堅牢性： ネガティブな結果は、異なる履歴ウィンドウ長（$N \in \{126, 252, 504\}$ セッション）においても維持された。

主な貢献
本論文は、その貢献を新しい予測理論としてではなく、厳格な実証的修正および方法論的テンプレートとして位置づけている：

1. HCFの定義： 歴史的係数場の形式的な定義、および遅延座標埋め込み、アナログ予測、カーネル密度推定といった確立された概念と明確に対比させたコンパクトな幾何学的記述子の提示。
2. 制御された評価プロトコル： モデルとデータ分割を固定した「表現のみ」の実験設計を提供し、性能の差が入力表現のみに起因することを保証している。
3. 示されたネガティブな結果： テストされた資産およびプロトコルにおいて、幾何学的な整理による市場メモリの構成が、単純なベースラインを超えた方向性の情報を持たないことを正直に報告している。本論文は、シグナルのない表現に対してより複雑な幾何学的書記を行うことが、シグナルを創出することにはならないと主張している。

意義と主張
著者らは、その意義を主にネガティブな結果の厳密さと方法論的な規律を通じて主張している：

• 検証不可能な理論の防止： 本研究は、方向性のシグナルを持たない表現に基づいた、検証不可能な幾何学的「理論」の構築を防止するものである。幾何学的な市場メモリの再構成は、予測への近道ではないことを確立している。
• 評価基準： 本論文は、将来の「歴史の表現」を評価するための、再利用可能で制御された、ベースレートを参照したモデルに依存しないテンプレートを提供する。
• 限定的な範囲： 著者らは、自らの結果が「この特定の表現ファミリー」および「これらの特定のタスク」に関する記述であることを明示している。彼らは、幾何学的予測の普遍的な不可能性を主張しているのではなく、将来の幾何学的表現は、より豊かな構造を構築する前に、まずこの制御された基準を通過しなければならないと主張している。

要約すると、本論文は、市場メモリの幾何学的構成は有効な概念的枠組みではあるものの、単純な時系列ベースラインやローリング統計と比較して、方向性予測やボラティリティ拡大に対して予測価値を提供できないと結論付けている。