技術要約：確率的金融リスク予測のための期間認識型アナログ・リトリーバル（PAAR）

1. 問題提起

本研究が取り組む中心的な課題は、金融リターンの全分布、特にバーゼルIIIなどの枠組みで求められるバリュー・ア・リスク（VaR）や期待ショートフォール（ES）に必要なテールリスクを正確に予測することである。既存の手法には根本的な盲点が存在する。すなわち、過去の観測値が現在の市場環境と構造的に比較可能であるかどうかを検証することなく、グローバルに集約されたヒストリカルデータに対してモデルを適合させようとする点である。

現在の文献における3つの主要な限界を以下に特定する：

1. パラメトリック手法： GARCH、CAViaR、および分位点回帰などのモデルは、関数の形式に関する仮定を課しており、これらはテール部分において破綻したり、レジームシフトを捉えきれなかったりすることが多い（Engle and Manganelli 2004; Ghysels et al. 1996）。
2. ナイーブなアナログ手法： 伝統的なアナログ・リトリーバルは、生の特徴空間におけるユークリッド距離を使用している。これは「レジームの混合」（例：2009年の危機の局面を2017年の低ボラティリティの局面と同様に扱うこと）や「カレンダーへの盲目性」（季節的な異質性を無視すること）を招き、結果としてテール推定の較正不全を引き起こす（Aït-Sahalia and Lo 1998; Brock et al. 1992）。
3. ディープラーニングの限界： LSTMやTransformerのようなアーキテクチャは強力な表現を学習するが、これらは点別（pointwise）の予測誤差を最適化するように設計されており、条件付き分布の形状や、市場のエピソード間の構造的な類似性を保持するように設計されていない（Hochreiter and Schmidhuber 1997; Vaswani et al. 2017）。

本論文は、分布的予測をリトリーバル（検索）問題として再定義すべきだと提唱する。すなわち、マクロ経済レジーム、時期、および特徴構造の観点から現在の状態に類似した過去の市場日を特定し、それらの実現された結果を用いて予測分布を構築するという考え方である。

2. 手法：期間認識型アナログ・リトリーバル (PAAR)

提案するフレームワークであるPAARは、分布的予測を、検索されるアナログが真に比較可能な環境から来ることを保証するための3つのフィルターによって制約された探索問題として扱う。

2.1 アーキテクチャの概要

パイプラインは、特徴量構築、レジーム識別、エンコーダ学習、およびリトリーバルに基づく分布推定の4つのステージで構成される。

2.2 特徴量構築

トレンド、反転、ボラティリティ、流動性、モメンタム、マクロ経済シグナル、および市場の広がりを網羅する指標からなる市場特徴ベクトル $x_t \in \mathbb{R}^{25}$ を構築する。特徴量は、セキュラーなトレンドを除去するために、直前252日間のローリングzスコアを用いて正規化される。カレンダー・メタデータ（年内の日数、月など）は補助入力として付加されるが、類似性の指標からは除外され、代わりにリトリーバルの制約として機能する。

2.3 レジーム識別 (フィルター1)

レジームの混合を防ぐため、アーカイブを**4状態ガウス隠れマルコフモデル（HMM）**を用いて分割する。このHMMは、表面的な価格パターンではなく、マクロ経済の背景を捉えるために、5次元のマクロ経済ベクトル（10日間の実現ボラティリティ、イールドカーブの傾斜、10年債利回りの変化、FXの変化、および60日間のモメンタム）に対して適合される。

• 制約： クエリ日と同じ推論レジームに割り当てられたアーカイブの観測値のみが候補となる。
• 適応： 現在のレジームのデータが乏しい場合、検索範囲をHMMの遷移確率によってランク付けされた隣接レジームへと拡大する。

2.4 エンコーダ学習

メトリックの不備（ユークリッド距離が構造的類似性を捉えられない問題）に対処するため、コンパクトな3層MLPエンコーダが $x_t$ を32次元の埋め込み $e_t$ に写像する。エンコーダは以下の複合損失関数を用いて学習される：

• 結果整合損失 (Outcome Alignment Loss)： 同一レジーム内において、実現されたリターンの五分位数が類似する日同士を引き寄せ、異なる五分位数を持つ日同士を遠ざける。
• レジーム分離損失 (Regime Separation Loss)： 異なるレジームからの埋め込みが、少なくとも2.0のマージンを保って離れるようにする。

2.5 3段階のフィルター・カスケード

クエリ日 $t$ に対して、リトリーバル・プロセスは以下の3つのフィルターを順次適用する：

1. レジーム・ゲート： 候補を同一のHMMレジームに限定する。
2. 期間認識ウィンドウ： レジームでフィルタリングされたプール内で、$|\ell_s - \ell_t| \le \delta$ （デフォルト $\delta=30$ 日）を満たす観測値を保持し、季節的な比較可能性（例：10月下旬を10月下旬と一致させること）を確保する。
3. マルチファセット類似性： 残った候補は、以下の要素を組み合わせた重み付きスコア $\phi(x_t, x_s)$ によってランク付けされる：
   • 価格パターンの形状（トレンド/反転）。
   • マクロ経済の整合性。
   • ボラティリティ・プロファイル。
   • 学習された埋め込み距離 ($\phi_{embed}$)。
   • 注記： ボラティリティが高いレジームでは、分布の鋭さを維持するために、近傍数 $k$ を縮小させる。

2.6 分布推定

予測分布 $\hat{F}_{t+h}(y)$ は、上位 $k$ 個のアナログの実現された前方リターンを用いた、重み付き経験累積分布関数（ECDF）として構築される。

• 平滑化： ガウスカーネル密度推定（KDE）を適用する。
• フォールバック： ストレス下のレジームでアナログのプールが小さい場合、ヘビーテイルに対応するため、最大尤度法によるStudent-t分布への適合へとフォールバックする。
• 較正： ローリング・クオンタイル・リキャリブレータ（等張回帰）を用い、252日のウィンドウにわたって、特にテール部分の分位点を対象に系統的な被覆誤差を修正する。

3. 主な貢献

本論文は、以下の3つの具体的な貢献を行う：

1. レジームおよび期間を考慮したフレームワーク： レジームの混合、季節的な交絡、およびメトリックの不備を統合的に解決する構造化されたリトリーバル・システムを提供し、モデル誤差の所在をパラメトリックな形式から、検索される近傍集合の質へと移行させた。
2. 学習された類似性メトリック： 点別の予測誤差ではなく、分布的な結果（リターンの五分位数）と幾何学的構造を一致させるように特別に学習された埋め込み空間。
3. 評価プロトコル： 適切なスコアリング・ルール（WQL、CRPS）、テールリスクの較正（VaR/ES）、および経済的パフォーマンス（シャープレシオ）を用いた包括的な評価。

4. 実験結果

本フレームワークは、1995年1月から2026年3月までのS&P 500の日次データ（6,430テスト日）を用い、10種類のベースライン（古典的手法、機械学習、ディープラーニング、および基盤モデル）に対するウォークフォワード・バックテストによって評価された。

4.1 分布の正確性

• PAAR-RAF（基礎となるモデルの埋め込みを類似性の側面として組み込んだもの）および PAAR-KDE は、最も優れた加重分位点損失（WQL）および連続確率密度スコア（CRPS）を達成した。
• 両方のPAARバリアントは、MASE（平均絶対スケーリング誤差）が1.0を下回る唯一のモデルであり、ナイーブなベンチマークに対して一貫した改善を示した。
• ダイボールド・マリアノ・テストによる統計的有意性検定により、PAAR-RAFがすべてのベースライン（古典的なARMA/ARIMAモデルを含む）を有意に上回ることが確認された。

4.2 テール較正とリスク管理

• VaRの被覆率： PAAR-KDEは目標とする10%のVaR超過率に近い値を維持し、Kupiecのテストによる棄却も受けなかった。一方で、多くの機械学習およびディープラーニングのベースラインは深刻な過小被覆を示した（例：ランダムフォレストは24%、Chronosは25.1%）。
• 経済的パフォーマンス： PAARバリアントは、ディープラーニングのベースラインと比較して優れたシャープレシオを達成した。PAAR-KDEは26年間のウィンドウを通じて最高の最終リターンを蓄積し、2008年および2020年の危機においてもプラスの軌道を維持した。
• 基盤モデル： Chronos基盤モデルのゼロショット展開は、深刻なテールの較正不全をもたらした。しかし、その埋め込みをリトリーバルの側面として使用した場合（PAAR-RAF）、全体として最高のパフォーマンスが得られた。これは、基盤モデルが表現学習としては価値があるものの、この文脈においては直接的な確率的予測器としては適さないことを示唆している。

4.3 アブレーション研究

3つのフィルター・カスケードのいずれかを取り除くと、性能が低下した：

• マルチファセット類似性の欠如： WQL/CRPSの最大の低下を招き、表現の質が精度の主要なドライバーであることを裏付けた。
• レジーム・ゲートの欠如： シャープレシオが低下した。これは、制約のないリトリーバルが構造的に不適合な状態からのノイズを導入することを示している。
• 期間フィルターの欠如： WQLはわずかに改善したが、シャープレシオは大幅に低下した。これは、集計的な指標では捉えきれなくても、季節的な整合性がテール挙動やリスク調整後リターンにとって極めて重要であることを示している。

5. 意義と主張

本論文は、金融予測を「関数近似」から**「条件付き分布のリトリーバル」**へと再定義することが、2つの実用的な利点を提供すると主張している：

1. 誤設定の回避： 比較可能な条件下での実現された結果から直接予測を構築することで、リターン分布に対してパラメトリックな家族を強制することを避け、また、不均質なレジームを横断してグローバルなモデルが外挿する必要性を回避できる。
2. 規制上の有用性と実行可能性： この手法は、解釈可能な予測（名前の付いた歴史的なアナログによって裏付けられる）を生み出し、複数の危機を通じて目標とするテール被覆を維持する。これは、正確なテール較正が極めて重要であるバーゼルIIIのような資本充足性の規制要件に直接応えるものである。

著者らは、制限事項として、単一の株式指数（S&P 500）への限定、HMMレジーム推定における循環性の可能性、およびすべてのレジーム・カレンダーの組み合わせに対してヒストリカル・アーカイブに十分なアナログが存在するという仮定を挙げている。今後の課題として、リトリーバル・アーカイブを複数の資産クラスに拡張することや、オンライン・リトリーバルの更新を検討することを提案している。