Does Complexity Improve Forecasting Accuracy? Evidence from Single and Multi-Layer LSTM Models for the BIST 100 Index
本研究は、テクニカル変数およびマクロ経済変数を用いたBIST 100指数の予測において、より複雑な多層モデルよりも単純な単層LSTMアーキテクチャの方が優れた性能を示すことを実証しており、これは金融予測においては簡潔さが汎化性能を高めることを示唆している。
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
金融の世界において、株式市場指数の将来の動きを予測することは、長年経済学者や投資家を虜にしてきた課題です。それは、市場は混沌としているものの、完全にランダムではないという信念に根ざしています。過去の価格、経済報告、そして世界的なセンチメントの中に隠されたパターンが、次に何が起こるかの一端を提示してくれるかもしれないという考えです。数十年にわたり、研究者たちはこれらのパターンを見出すために統計モデルに頼ってきましたが、強力なコンピュータの台頭により、新たなツールが登場しました。具体的には、人間の脳が情報のシーケンスを処理する方法を模倣するように設計された、ニューラルネットワークとして知られる一種のコンピュータプログラムが、この作業において人気のある選択肢となっています。この分野における一般的な仮定は、より深い処理層を持つ、より複雑なバージョンのプログラムの方が、自然とより優れた予測につながるはずであるというものでした。結局のところ、単純なモデルが少し学習できるのであれば、より複雑なモデルはもっと多くを学習できるはずだからです。
しかし、トルコの株式市場の主要なベンチマークであるボラ・イスタンブール100指数に焦点を当てた最近の研究は、この仮定に異を唱えています。研究者のファティ・マンギル、メテハン・オルタカルプズ、そしてアブドゥル＝ラザク・バワ・ユシフは、予測モデルに複雑な層を追加することが、実際にその精度を向上させるのかどうかを検証することに乗り出しました。彼らは、2016年初頭から2025年末までの期間を含む、世界的なおよび局所的な経済変動を経験した2,500日分以上の取引データを収集しました。モデルに学習させるために、彼らは価格の履歴だけに頼ったわけではありません。代わりに、日々の終値に、市場のモメンタムを測定するテクニカル指標、世界的な恐怖指数、米ドルの強さ、そして金利や失業率といった現地の経済要因を含む、多様な情報を組み合わせました。モデルの学習を行う前に、彼らは数学的な手法を用いて、データのノイズが多く不規則な変動を平滑化し、コンピュータがランダムな静止音ではなく、基礎となる信号から学習できるようにしました。
その後、チームはどちらがより優れたパフォーマンスを示すかを確認するために、2つの異なる系統のモデルを構築しました。第1の系統は、単純な単層ネットワークで構成され、第2の系統は、複数の処理レベルを持つ、より複雑な多層構造を備えていました。彼らはこれらのモデルに翌日の終値を予測するように学習させ、結果が単なる偶然の幸運ではないことを確実にするため、各構成に対して30回の実験を行いました。結果は明白であり、かつ、いくぶん直感に反するものでした。単純なモデルが、複雑なモデルを一貫して上回ったのです。わずか10個の処理ユニットを持つ単層モデルが最も低い平均誤差を達成した一方で、3層を持つものを含む最も複雑なモデルは、それに追いつくのに苦労しました。実際、最も精巧なアーキテクチャは、目標から大きく外れ、最も悪い結果を生み出しました。
この結果は、このエマージング・マーケットの指数を予測するという特定の文脈において、ニューラルネットワークに深みを持たせることが、モデルの学習を助けるどころか、むしろモデルに課題を複雑化させすぎた可能性があることを示唆しています。データは、クリーニングされ、世界的および局所的な変数によって強化された後でも、簡潔なアプローチによって最もよく捉えられる構造を持っていました。複雑なモデルは、単に存在しないパターンを学習しようとし、市場の真のリズムではなく、市場のノイズを記憶してしまったようです。この研究は、この種の金融予測においては、データの理解に必要な最小限の複雑さを用いる、簡潔なアプローチ（パーシモニアスなアプローチ）が優れていることを示しています。最も正確な予測は、最も強力な機械からではなく、利用可能な情報にちょうど適合する複雑さを持った機械から生まれたのです。
研究者たちはまた、彼らの結果における興味深いトレードオフについても指摘しました。最も単純なモデルが平均的に最も正確であった一方で、50個のユニットを持つ、わずかに大きな単層モデルは、別の種類の恩恵を提供しました。このバージョンは、ほぼ同等の正確さを備えながらも、異なる学習実行においてもはるかに一貫した結果を生み出しており、実用的な投資判断においては、正確さと信頼性の両方を備えたモデルが理想的な選択肢になり得ることを示唆しています。結局のところ、この研究は、金融予測の領域において、「多いことは必ずしも良いことではない」ということを思い出させてくれます。最良のツールとは、必ずしも最も洗練されたものではなく、それが理解しようとしているデータの性質に完璧に合致したものであるのです。
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。