An Inter-variable Relationship-Aware Mixture-of-Experts Model for Stock Closing-Price Prediction
本論文は、変数間の動的な依存関係を明示的にモデル化し、多様なグローバル株式市場における優れた予測精度とゼロショット汎化性能を実現するために、疎なルーティングと銘柄ごとのシャッフル学習戦略を採用した、変数間関係認識型混合エキスパート（IR-MoE）Transformerを提案する。
原論文は CC BY 4.0 (https://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
株価の将来の予測は、金融における最も根強い課題の一つです。市場は混沌とした場所であり、世界的なニュースや政府の政策から、何百万人もの投資家の集団的な心理に至るまで、あらゆるものに影響されます。そのため、株価は単純な直線を描いて動くのではなく、ノイズが多く、不安定で、絶えず変化しています。数十年にわたり、専門家はこの混沌の中にパターンを見出そうと試みてきました。彼らは多くの場合、市場の開始価格、最高値、最安値、終値、そして総取引高という、標準的な5つの日次数値に着目してきました。困難は、これらの数値を時間の経過とともに追跡することだけでなく、それらがどのように互いに「対話」しているのかを理解することにあります。価格の上昇が激しい取引高を伴う場合、それは少ない取引高を伴う上昇とは異なる物語を伝えますが、多くのコンピュータモデルは、これら5つの数値を独立した無関係なデータストリームとして扱ってしまいます。
研究者が直面する核心的な問いは、単一のコンピュータプログラムが、ゼロから再学習することなく、新しい未知の銘柄にも適用できるほど、株式市場の複雑で変化するルールを学習できるかどうかという点です。従来の手法では、価格と出来量の間の微妙な関係を捉えきれなかったり、あるいは特定の企業に特化しすぎて他の銘柄に適応できなくなったりするなど、この問題に苦慮してきました。この限界により、異なる国や市場環境においても機能する普遍的な投資分析ツールを構築することが困難になっています。
最近の研究において、北京理工大学の研究チームはこの問題を解決するための新しいアプローチを提案しました。彼らは「IR-MoE」と呼ばれるシステムを開発しました。これは「Inter-variable Relationship-Aware Mixture-of-Experts（変数間関係認識型混合エキスパート）」の略称です。その名称は、このシステムがまさに何を行うかを説明しています。このシステムは、異なる取引変数が互いにどのように関連しているかを認識するように設計されており、「混合エキスパート（Mixture-of-Experts）」を用いて予測を行います。コンピュータにすべての銘柄に対して単一の硬直したルールを学習させるのではなく、このシステムは、モデルの異なる部分が異なる市場状況に特化することを可能にします。これは、個々の銘柄はそれぞれ独特である一方で、価格と出来量の相互作用は、学習可能で転用可能な認識可能なパターンに従うことが多い、という考えに基づいています。
研究者たちはまず、中国のA株市場、米国、香港、日本という4つの異なる金融市場から、膨大な量のヒストリカルデータを収集することから始めました。彼らはこれらの地域から、幅広い産業や市場行動をカバーする数百の代表的な銘柄を選定しました。これら数百の銘柄ごとに個別のモデルを訓練するのではなく、すべてのデータを単一の統一されたシステムに投入しました。この「連合学習（union training）」戦略により、モデルは、上海ベースであれニューヨークベースであれ、取引量の急増がしばしば価格の方向転換のシグナルとなるといった、共通の市場ダイナミクスを学習することができました。
彼らのシステムの核心は、二部構成のアーキテクチャです。第一の部分は、5つの日次数値間の関係を理解することに焦点を当てています。研究者たちは、始値、高値、安値、終値、出来量の各数値を、個別の情報、すなわち「トークン」として扱い、現代の言語モデルに着想を得たメカニズムを用いて、それらを相互作用させました。これにより、システムは、例えば、終値がその日の取引高に強く影響を受けるといったことを明示的に学習することができました。これらの相互作用を可視化することで、研究者たちは、モデルが価格変動を理解しようとする際に、一貫して出来量に注意を払っていることを発見しました。この注意（アテンション）はランダムなものではなく、市場が不安定な時期に強まっていました。これは、市場が混乱しているときには出来量がより重要な手がかりになるということを、モデルが学習したことを示唆しています。
システムの第二の部分は「混合エキスパート（mixture of experts）」です。一定の右肩上がりのトレンド、突然の暴落、あるいは静かな横ばいの動きといった、特定の種類の市場行動における専門家である、スペシャリストのチームを想像してみてください。システムが新しい銘柄のデータを受け取ると、すべてのスペシャリストに意見を求めるわけではありません。代わりに、ルーティング・メカニズムが現在の市場状況を確認し、最も関連性の高いエキスパートを数名だけ選択して予測を行います。これにより、システムは異なる状況に即座に適応できます。市場が不規則に動いている場合は、高ボラティリティのパターンに基づいて訓練されたエキスパートを呼び出し、市場が穏やかな場合は、安定したトレンドに基づいて訓練されたエキスパートに頼る、といった具合です。この柔軟性こそが、モデルが多様で変化する世界の株式市場を扱うことを可能にしています。
研究の結果は、モデルが一度も見たことがない銘柄の価格を、追加の訓練なしで予測するよう求められる厳格なテストを含む、全4市場において検証されました。これらの「ゼロショット（zero-shot）」テストにおいて、新しいシステムは、データを小さな断片に分割する既存の複雑なモデルや、時系列予測用に設計された他の高度な人工知能システムをも上回る性能を示しました。中国のA株市場において、モデルは約1.10パーセントの予測誤差率を達成し、米国市場においては約1.32パーセントの誤差率に達しました。これらの数値は、研究における他の優れた代替手法よりも一貫して良好でした。
おそらく最も重要な点は、モデルが国境を越えて知識を転移できることを証明したことです。中国の銘柄から学習したシステムを、米国、香港、日本の未知の銘柄に直接適用した場合でも、高い精度を維持しました。これは、価格と出来量の間の根本的な関係が、一度学習すればどこにでも適用できるほど普遍的であることを示唆しています。また、研究者たちは、多様ではあるが管理可能な数の銘柄で訓練されたときに、システムが最も効果的に機能することも発見しました。データを追加することは最初は効果がありましたが、ある一定の地点を超えると、その恩恵は減少しました。これは、鍵となるのは単に数字をシステムに大量に投入することではなく、幅広い市場行動をカバーすることであるということを示しています。
システムが正しく機能していることを確認するために、研究者たちは「エキスパート」がどのように使用されているかも調査しました。特定のバランス調整メカニズムがない場合、システムは少数のエキスパートに依存しすぎ、他のエキスパートをアイドル状態にしてしまう傾向があることが分かりました。作業をより均等に分配させるルールを追加することで、モデルの専門化された部分がすべて稼働し、学習するようにしました。このトレーニングプロセスにおける細部へのこだわりが、システムの安定性と性能にとって極めて重要でした。
本研究は、取引変数の相互作用を明示的にモデル化し、柔軟な専門家予測チームを使用することで、より堅牢で適応性の高い株式予測ツールを構築することが可能であると結論付けています。研究者たちは、彼らのアプローチが、単一目的の硬直したモデルから、市場の複雑で変化する言語を理解できるシステムへと移行する、金融分析の有望な道筋を提示していると考えています。この研究は、株式市場の謎を解明したと主張するものではありませんが、日次の取引データの関係性をより深く理解することが、より正確で汎用性の高い予測につながることを実証しています。この成果は、ニュースレポートやイントラデイ（日中）の取引詳細など、さらに多くの種類のデータを組み込み、金融の世界をナビゲートする能力をさらに洗練させるための、将来の研究への扉を開くものです。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。