Decomposition-Based Preprocessing Versus Architectural Complexity in Neural Forecasting of Economic and Financial Time Series: A Comparative Empirical Study

お金と市場の未来を予測することは、科学における最も困難な課題の一つです。経済学者や金融アナリストは、単一の株式、原油の1バレル、あるいは天然ガスの1単位であっても、価格が次にどこへ向かうかを推測するために、長年統計的なツールに頼ってきました。これらのツールは、過去が直線的で予測可能な形で動いている場合にはうまく機能しますが、現実の世界はそれほど単純ではありません。金融市場は混沌としており、変化しやすく、明確なパターンに従わない突然の跳ね上がりが満載です。この混乱に対処するため、研究者たちは人工知能、具体的にはニューラルネットワークと呼ばれる一種のコンピュータプログラムに目を向けました。これらのプログラムは、人間の目では見落としてしまうような隠れたパターンを見つけ出すために、データから学習するように設計されています。しかし、そこには落とし穴があります。これらのプログラムに混沌とした市場を理解できるほど賢くさせるためには、研究者たちはしばことがしば、数千もの内部パーツが共に機能する非常に複雑なものにしなければなりません。この複雑さは、プログラムを低速にし、実行コストを高くし、管理を困難にします。研究者にとっての中心的な問いは、より優れた予測を得るための唯一の方法は、より大きく複雑な機械を構築することなのか、それともデータを入力する前に、よりスマートな方法で準備することなのかという点でした。

ある研究チームは、まさにこのトレードオフを検証するために調査を行いました。彼らは、生のデータをコンピュータに与える前に整理することが、プログラム自体をより強力にすることと同じ役割を果たせるかどうかを確かめたいと考えました。そのために、彼らは非常に異なる3種類の金融データを収集しました。アップル株の日常的な価格、ブレント原油の価格、そして天然ガスの価格です。これらが選ばれた理由は、それぞれが独特な挙動を示すためです。アップル株は数十年にわたり着実に成長し、原油価格は世界的な出来事によって激しく変動し、天然ガス価格は極端なボラティリティを伴って上下します。研究者たちはこれらの生の数値を取り、3種類の異なるニューラルネットワークを用いて翌日の価格を予測しようと試みました。1つ目は、基本的で単純なモデルでした。2つ目は、過去の出来事をより良く記憶する、より高度なモデルでした。3つ目は、より深い繋がりを見つけ出すために、過去と未来の両方のデータを見ることができる、最も複雑なモデルでした。

生の数値をそのままモデルに投入する代わりに、研究者たちは異なるアプローチも試みました。コンピュータがデータを見る前に、数学的な手法を用いて、乱雑な価格の履歴をより小さく、より単純な断片へと分解したのです。一度にあまりにも多くの音符が流れるために歌いにくい複雑な曲を想像してみてください。もし、メロディを背景のリズムやベースラインから分離できれば、それぞれの部分は単独ではるかに歌いやすくなるはずです。研究者たちは金融データに対して同様のことを行いました。彼らは5つの異なる手法を用いて、価格の履歴を、長期的なトレンド、短期的な揺らぎ、そしてランダムなノイズといった別々の構成要素に分割しました。そして、コンピュータにそれぞれの単純な断片を個別に予測するように教え、その結果を再び統合して最終的な予測を得ることにしました。

この実験の結果は驚くべきものでした。研究者たちは、データを単純な断片に分解することで、コンピュータモデル自体を小さく単純な状態に保ったとしても、モデルの性能が大幅に向上することを発見しました。実際、データを整理する上で最も効果的だった手法は、「変分モード分解（variational mode decomposition）」と呼ばれる技術でした。この手法を用いたとき、モデルは生のデータを与えられたときよりも大幅に正確な予測を行いました。おそらくさらに重要なことは、これらの結果を得るために、モデルをそれほど複雑にする必要がなかったということです。生のデータでうまく機能するために通常は何百もの内部パーツを必要とする最も高度なコンピュータモデルにおいて、研究者たちは、前処理を行うことでパーツの数を10分の1以下に削減できることを見出しました。例えば、原油価格を正確に予測するために100個の内部パーツを必要としていたモデルが、データを事前に整理すれば、わずか5つのパーツで同等またはそれ以上の結果を達成できたのです。

この発見は、金融市場の短期的な予測において、成功の鍵は巨大で複雑な機械を構築することではなく、データを正しく準備することにあることを示唆しています。この研究は、クリーンなデータを用いた単純なモデルが、乱雑なデータを用いた複雑なモデルよりも優れた性能を発揮することを明らかにしました。これは、トレーダーから政策立案者に至るまで、これらの予測に依存しているすべての人にとって重要な発見です。つまり、予測システムは精度を損なうことなく、より高速で、より安価で、より効率的に作ることができるということです。より大きなニューラルネットワークを構築することにリソースを費やす代わりに、焦点はデータそのものを理解し、整理することへと移すことができます。研究者たちは、混沌として変化し続ける経済の時系列データにおいては、深く複雑なアーキテクチャよりも、よく準備された信号の方が強力であると結論付けました。このアプローチは、正確であるだけでなく、現実世界のペースの速い環境においても十分に効率的に使用できる予測ツールを作成するための、実用的な道筋を提示しています。