Statistical and Machine Learning Models for Stock Price and Return Forecasting: An Out-of-Sample Comparison
本研究は、S&P 500の価格およびリターンのアウトオブサンプル予測において、複雑な機械学習モデルがランダムウォークやゼロリターン仮定といった単純なベンチマークを一貫して上回ることはなく、モデルの複雑化が増加したとしても短期的な金融予測の向上を保証するものではないことを示している。
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
株式市場の未来を予測することは、金融における最も永続的な課題の一つである。それはデータが隠されているからではなく、予測対象となるものの性質自体が、ゲームのルールを変えてしまうからである。アナリストが株価指数を見るとき、彼らは、自身の歴史の上に積み重なり、止めるのが難しい重い列車のようにな、同じ方向に進み続ける傾向のある値を注視している。一方で、日々の騰落率（リターン）を見る際、彼らは、風に舞う落ち着きのない木の葉のように、安定した平均値の周りで変動する値を注視しているのである。何十年もの間、経済学者たちは、複雑な数学的公式や現代的なコンピュータ・アルゴリズムが市場を出し抜くことができるのかどうかについて議論を重ねてきた。中心となる問いは、これらの洗練されたツールが、単純で常識的な推測では到達できないパターンを実際に発見できるのかどうかという点にある。
ネバダ大学リノ校による最近の研究は、これら2種類の予測を全く別の問題として扱うことで、この問いに取り組んでいる。研究者のスマイラ・アモアヌは、高度なコンピュータ・モデルが2つの非常に単純なベンチマーク、すなわち、翌日の価格を予測するための「ランダムウォーク」と、翌日の騰落率を予測するための「ゼロ・リターン」の推測に打ち勝てるかどうかを検証することを目指した。ランダムウォークの考え方は明快である。市場は激しく動くため、昨日のニュースはすでに価格に織り込まれていると考え、明日の価格に対する最善の推測は単に今日の価格であるとするものである。ゼロ・リターンの推測も同様に単純である。市場が大きく上がったり下がったりすることはないと仮定し、明日の騰落率に対する最善の推測はゼロであるとする。これをテストするために、研究では米国の大手企業500社を追跡する主要な指数であるS&P 500の11年間の日次データを使用し、モデルが未知の領域でどの程度機能するかを確認するために、最終年である2025年を完全に未学習のテスト用として確保した。また、2022年から2025年までの期間を用いて、年次ごとに再推定を行うロバストネス分析も行った。
研究では4つの異なるアプローチを比較した。統計的な側面からは、価格が時間の経過とともにどのように変化するかというパターンを探る古典的な手法であるARIMAと、市場のボラティリティ（変動性）が穏やかな時期と嵐のような時期のグループとして集まる傾向があることを考慮に入れたARMA–GARCHを用いた。機械学習の側面では、データの複雑で非線形な関係を見つけ出すために多くの決定木を構築する強力なアルゴリズムである、ランダムフォレストとXGBoostをテストした。目的は完璧な取引システムを構築することではなく、未知のデータに対してテストされた際に、これらの手法が単純なベンチマークを一貫して上回ることができるかどうかを確認することであった。
実際の価格水準を予測するという結果は、啓示的なものであった。複雑な機械学習モデルは、市場が新たな領域へと突入した際に、著しく苦戦した。テスト年において、S&P 500はモデルの学習に使用された11年間のどの時点よりも高い水準へと上昇した。指数がコンピュータがこれまで見たことのない最高値を突破して上昇すると、機械学習モデルは天井に突き当たった。モデルにはそのような高い数値の例が学習データの中に存在しなかったため、価格が上昇するという予測ができなかったのである。彼らの予測は、古い価格帯の付近で横ばいとなり、実際の価格が上昇し続ける一方で、取り残されてしまった。対照的に、単純なランダムウォークと統計的なARIMAモデルは、上昇する価格をより密接に追跡していた。ARIMAモデルはランダムウォークよりもわずかに誤差が小さかったものの、その差は極めて小さく、実質的な優位性というよりは偶然によるものである可能性が十分に高いものであった。
焦点が日々の騰落率（リターン）の予測に移ると、状況はさらに複雑になった。ここでの目標は、絶対的な価格ではなく、パーセンテージの変化を当てることである。研究の結果、単一のモデルがゼロ・リターンの単純なベンチマークを一貫して上回ることはなかったという。ある年には一つのモデルが最小の誤差を示し、翌年には別のモデルがリードするということが起こった。機械学習モデルが動きの方向を当てることには長けている場合もあったが、その動きの大きさを正確に捉えることができず、単にゼロと推測することよりも信頼できる改善であると見なされるまでには至らなかった。ボラティリティの変化を考慮した統計モデルは、一部の指標では良好なパフォーマンスを示したが、単純な推測に対して安定した長期的な優位性を示すことはできなかった。
本研究は、予測の難しさは何を予測しようとしているかに完全に依存すると結論づけている。価格水準については、市場には持続性があるため、「明日は今日と同じようになる」という最も単純な推測が非常に打ち破り難く、複雑なモデルは過去の経験範囲の外側に市場が動いた場合にひどく失敗する可能性がある。騰落率については、信号（シグナル）があまりに弱いため、いかに柔軟なコンピュータ・アルゴリズムであっても、ゼロという推測を確実に上回るパターンを見つけ出すことはできない。この研究は、金融予測において、複雑さを加えることが自動的に予測精度の向上につながるわけではないことを示唆している。むしろ、最も信頼できるアプローチは、モデルを単純で誠実なベンチマークに対してテストすることであり、そして市場が未知の領域へと踏み出したとき、最も洗練されたツールであっても、何をすべきか分からなくなる可能性があるということを認識することである。
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。