Regime Dependent Machine Learning and the Limits of Algorithmic Trading in the Dhaka Stock Exchange

金融の世界には、十分なデータを収集し、適切な数学的ツールを適用すれば、株価の将来を予測できるという根強い信念が存在します。この考えは、市場が完全にランダムではなく、むしろ明確なパターン、すなわち「レジーム（局面）」、つまり平穏な時期、高ボラティリティの時期、そしてストレス局面の間を移動しているという概念に基づいています。もし投資家がこれらの変化を発生した瞬間に特定できれば、市場が静かな時に買い、混沌とした時に売るように戦略を調整し、平均的な参加者よりも賢明に立ち回ることができるというのが、その論理です。このアプローチは現代のアルゴリズム取引の礎石となっており、コンピューターが複雑な機械学習を用いて膨大な過去のデータをスキャンし、人間のトレーダーが見逃してしまうようなシグナルを探し出しています。多くの研究を突き動かしている問いは、これらの洗練されたシステムが、特に西欧よりも未発達で予測不可能な市場において、実際にそれらのシグナルを真実かつ持続的な利益に変えることができるのかどうかということです。

ダッカ証券取引所に焦点を当てた最近の研究は、厳密な精度をもってこの問いに答えようとしました。研究者のMd. Shakil Sikder氏は、単一のモデルを少数の企業に対してテストしたわけではありません。代わりに、結果が偶然ではないことを確実にするため、3つの別々の株式グループを構築しました。第1のグループは、著者が慎重に選定した12社の知名度の高い流動的な企業で構成されています。第2のグループは、選択における人間のバイアスを排除するためにコンピューターによって選ばれた6社のランダムな選択によるものです。第3の、より大規模な24社の追加銘柄は、発見がより幅広い業界にわたって有効であるかどうかを検証するために後から加えられ、最終的には17のセクターにわたる42の証券をカバーしました。その目的は、現在の市場「レジーム」に基づいて予測を行う特定の種類の機械学習が、市場が直近の平均を繰り返すだけであると仮定する単純なベースライン戦略を、一貫して打ち負かすことができるかどうかを確認することでした。

研究では、基本的な統計手法からニューラルネットワークのような高度な人工知能システムに至るまで、5つの異なる予測モデルを採用しました。これらのモデルには、過去の価格変動、取引量、モメンタムといった13種類のテクニカル指標に加え、市場が通常状態、高ボラティリティ状態、あるいはストレス状態にあるかを示すシグナルが入力されました。研究者たちは「ウォークフォワード検証」と呼ばれる厳格なテスト手法を用いました。これは、過去のデータでモデルを訓練し、その後、モデルが一度も見たことのない将来のデータでテストするという、リアルタイムの取引をシミュレートする手法であり、将来の情報が過去に漏洩しないようにするためのものです。また、ブローカー手数料、税金、および自分自身の取引によって価格を動かしてしまう「スリッページ」を含む、バングラデシュ特有の取引コストも考慮に入れられました。

結果は、3つの株式グループすべてにおいて極めて明白かつ一貫していました。洗練された機械学習モデルのどれもが、単純なベンチマークを上回ることはできませんでした。実際、LightGBMとして知られる勾配ブースティング決定木アルゴリズムという最も複雑なモデルは、すべてのパネルにおいてベースラインのアプローチよりも著しく低いパフォーマンスを示しました。研究者がレジーム情報を取引判断の指針として利用しようとした際、それらの戦略は利益を生み出すことに失敗しました。むしろ、取引戦略は開始時の資本の大部分を失いました。本研究は、モデルが利用しようとしていた根本的なシグナルは、コストを差し引いた後に、金銭に換算できる形で存在していなかったことを明らかにしました。たとえ手数料を回避するために取引回数を減らそうとしても、残ったリターンは依然としてマイナスであり、問題は単なる取引コストではなく、真の予測シグナルの欠如にあることが示されました。

特に示唆に富む発見は、コンピューターモデルがダッカ証券取引所の独特なメカニズムをどのように解釈したかに関するものでした。同取引所には、株価がある一定の水準以下に下がらないように制限する「フロア価格（下限価格）」を設定する規制メカニズムがあります。極度のストレス局面において、このメカニズムは取引を停止させたり、価格を長期間停滞させたりすることがあります。本研究では、ボラティリティに基づいて市場のストレスを検知しようとする機械学習モデルが、これらの価格が動かない状態を誤解していることが判明しました。価格が動かないために、モデルはボラティリティがゼロであると計算し、これらの危険な局面を「低リスク」または「通常」とラベル付けしてしまったのです。この誤りにより、モデルは最も必要とされる時期に投資家を保護することに失敗しました。研究者たちは、これらの価格凍結が発生した日を取引から除外するルールをテストしましたが、この調整はポートフォリオのリバランスに伴うコストが潜在的な利益を上回ったため、かえってパフォーマンスを悪化させる結果となりました。

研究はまた、金融研究における一般的な落とし穴、すなわち「モデルが事後的に知っていること」と「リアルタイムで知っていること」の違いについても言及しました。研究者たちは、全データの履歴を見た後に市場レジームを特定できるコンピューターの能力と、それが進行している最中にレジームを特定できる能力との間には、大きな隔たりがあることを発見しました。過去を振り返れば、モデルはある日をストレス局面であったと正しくラベル付けできますが、その瞬間に意思決定を行う際には、半分以上の確率で間違っていました。この「後知恵」と「リアルタイムの予測」の間のギャップは、バックテストされた戦略がライブ市場に適用された際に失敗する重要な理由です。本研究は、高度な統計的補正や多層的な検証を行ったとしても、それらの戦略にはランダムな偶然によって説明できないほどのスキルは示されなかったことを裏付けました。

結局のところ、この研究は、ダッカ証券取引所においては、市場が「弱型効率性」の概念と一致する形で動いていることを示唆しています。これは、過去の価格変動や取引量が、少なくとも現在の機械学習技術によって搾取可能な形での将来の利益への信頼できるロードマップを提供しないことを意味します。本研究は、レジーム認識型の機械学習を、独自の規制的特徴を持つフロンティア市場へ容易に転用できるという仮定は誤りであると結論付けています。ボラティリティに基づく検知とフロア価格メカニズムとの間の特定の相互作用が、アルゴリズムが容易に克服できない盲点を作り出しています。これらの知見は、流動性が低く特定の規制上の制約がある市場においては、最も洗練されたツールであっても、エッジ（優位性）が存在しない場所で見つけ出すことはできないという、実務家や研究者への警鐘となっています。証拠が示すのは、統計的に見て、唯一信頼できる戦略は、複雑なアルゴリズムで市場のタイミングを図ることではなく、長期的に株式を保有するというパッシブな戦略であるということです。