DART: Domain Aware Relational Transformer for Stock Prediction

あなたは天気を予測しようとしていると想像してください。ただし、雲を見る代わりに、株式市場を見ているのです。これがクオンツ・ファイナンスの世界であり、科学者や投資家たちが、明日どの銘柄が上がるか下がるかを予測しようとしています。長い間、人々は市場を完璧に公平なコイン投げのようなものだと考えてきました。誰もがすでにすべてを知っているため、未来を予測することは不可能であるという考えです。しかしその後、賢明な人々は、人間は完璧なロボットではないことに気づきました。私たちは恐怖を感じ、興奮し、群衆に従います。そのことが市場を少し混沌としたものにし、実際にはある程度予測可能なものにしているのです。今日、私たちは強力なコンピュータと「ディープラーニング（パターンから学習する人工知能の一種）」を使用して、このノイズの中に隠されたシグナルを見つけ出そうとしています。しかし、大きな問題は、数千もの銘柄が存在し、それらが互いに複雑に影響し合っていることです。すべての銘柄が他のすべての銘柄とどのように対話しているのかを解明しようとするのは、スタジアムにいるすべての人々の会話を一度に聞こうとするようなものです。それは、コンピュータが圧倒されてしまうほど膨大な情報量なのです。

そこで、DART（Domain-Aware Relational Transformer）と呼ばれる巧妙な解決策を用いた新しい研究が登場しました。DARTを、巨大で騒々しいパーティーだと考えてみてください。かつて、誰が誰と話しているかを知りたい場合、同時に起きているすべての会話を聞こうとしていたかもしれません。しかし、それでは時間がかかりすぎますし、頭痛もしてしまいます。DARTの開発者たちは、人々は主に自分たちのグループ内で会話をしているのだということに気づきました（例えば、スナックテーブルにいる子供たちや、パンチボウル（飲み物の器）のそばにいる大人たちのように）。彼らは通常、全く異なるグループにいる人に向かって叫ぶことはありません。ですから、全員の声を聞く代わりに、DもDARTは、同じ「業界グループ」（テクノロジー企業が他のテクノロジー企業と話すように）内の声だけに耳を傾けます。これにより、コンピュータの仕事は非常に、非常に速くなります。

この論文は、この「グループ聞き取り」戦略を、時間の見方（短期的なトレンド、中期的なトレンド、長期的なトレンドを同時にチェックすること）と組み合わせることで、モデルが従来のメソッドよりも優れた株価リターンを予測できることを示唆しています。NASDAQ、NYSE、S&P 500の実データを用いたテストにおいて、DARTモデルは、他のトップモデルよりもスマートな投資判断を下し、リスク管理にも優れていることを示しました。また、無関係な銘柄による「ノイズ」を無視することで、コンピュータが以前よりも約84%少ないエネルギーで作業できることも証明しました。このモデルは、利益を保証する魔法の水晶玉ではありませんが、著者たちは、複雑で混雑した株式市場をナビゲートするための、より実用的で効率的なツールであると示唆しています。

DARTの物語：市場の声を聴くためのよりスマートな方法

問題点：多すぎるノイズ、多すぎる繋がり

数千人が集まる大規模なコンサートにいるところを想像してください。もし、何の曲が流れているかを知りたいなら、同時にいるすべての人々の声を聞こうとすることができるでしょう。しかし、それは不可能です。ただのノース（騒音）の壁になってしまいます。これは、コンピュータが株価を予測しようとする際に直面する問題そのものです。数千の銘柄が存在し、その一つひとつが他のすべてと繋がっています。古いコンピュータモデルは、同時に「全員」の声を聞こうとしました。これは「フル・アテンション（全注意）」と呼ばれます。理論的には非常に正確ですが、あまりにも遅く、コストがかかるため、数千の銘柄を扱う実際の取引で使用することは事実上不可能です。それは、パズルのピースを一つひとつ他のすべてのピースと比較して解こうとするようなものです。パズルが大きくなりすぎて、脳（あるいはコンピュータ）がクラッシュしてしまいます。

解決策：「業界の近所付き合い」ルール

研究者たちは、シンプルですが強力なアイデアを提案しました。それは、**「同じ業界の銘柄は親友であり、異なる業界の銘柄は単なる知人である」**というルールです。

株式市場を、いくつかの「近所（ネイバーフッド）」に分かれた巨大な都市と考えてみてください。「テック近所」、「フード近所」、「カー（車）近所」があります。テック近所の住人は、同じニュースやトレンドを共有しているため、常に互いに話をしています。しかし、テック近所の住人が、フード近所の住人と直接的で緊急な会話をすることは滅多にありません。

DARTモデルはこのルールを使用します。街全体を聞く代わりに、それぞれの近所で行われている会話だけに耳を傾けます。これは**「ドメイン知識ガイド型スパース・アテンション（DSA）」**と呼ばれます。

• 仕組み: コンピュータは、ある銘柄を見て、「この銘柄はどの近所に属しているか？」と問いかけ、その同じ近所にいる他の銘柄にのみ注意を払います。
• 結果: 無関係な銘柄からの無用なノイズを無視します。論文によれば、これによりコンピュータのワークロードが約**84%**削減されました（具体的には、テストにおいて0.23 GFLOPsから0.04 GFLOPsへと減少しました）。それは、ハリケーンの中でのささやきを聞こうとするのではなく、静かなコーヒーショップでのチャットを聞くことに切り替えるようなものです。

タイムマシン：層状に見る過去

未来を予測することは、単に誰が誰と話しているかを知ることだけではありません。それは「いつ」物事が起きるかについても重要です。株価は異なる時計に基づいて動きます。速く動くもの（分単位）、中程度の速さで動くもの（日次トレンド）、そしてゆっくり動くもの（月次または年次トレンド）があります。

古いモデルは、しばしば一つの眼鏡だけで時間を見ようとしていました。そのため、大局的な視点を見逃したり、細部を見逃したりすることがありました。DARTは、**「マルチスケール・テンポラル・フージョン（MSTF）」**モジュールを使用しています。

• 比喩: 映画を見ているところを想像してください。俳優の顔の細部を見るズームレンズ（短期）、シーン全体を見せるワイドレンズ（中期）、そして街全体を見せるドローンショット（長期）があります。DARTはこれら3つのレンズを同時に使用します。
• 魔法: そして、これら3つの視点を積み重ねるための特別な「プログレッシブ・テンポラル・フュージョン（漸進的時系列融合）」ネットワークを使用します。それは、それぞれの層がより多くの風味を加えるサンドイッチを作るようなもので、今日の小さな変化がどのように明日の大きなトレンドへと積み重なっていくかを、コンピュータが理解するのを助けます。

分かったこと：より速く、よりスマートに

研究者たちは、米国の株式市場（NASDAQ、NYSE、S&P 500）の2020年から2024年までの実データを使用して、DARTをいくつかの有名なモデル（LSTM、GCN、さらにはMambaStockのような新しいモデル）と比較テストしました。

データが示唆している内容は以下の通りです：

1. より高いリターン: DARTは単に予測が当たっただけでなく、より優れた「ポートフォリオ（銘柄の集合）」を構築するのに役立ちました。テストにおいて、DARTはNASDAQとS&P 500の両方で最高のシャープレシオ（取ったリスクに対してどれだけの利益を得られたかを測るスコア）を達成しました。例えば、NASDAQにおいて、DARTは2.432のシャープレシオを記録しましたが、次に優れたモデルは1.827でした。
2. トップピック: モデルが「最も好調になる」と予想した上位10銘柄を選んだ際、DARTは他のモデルよりも高い頻度で正解を導き出しました（これはPrecision@10と呼ばれる指標です）。NYSEにおいて、DARTはトップピックの**58.7%**を的中させ、競合を上回りました。
3. 「行かない方がいい」ゾーン: この研究は、もし「近所ルール」を取り除いて、コンピュータに全員の声を聞かせた場合（フル・アテンション）、モデルが混乱してパフォーマンスが大幅に低下することを明確に示しました。これは、無関係な繋がりを無視することが、実はモデルにとって「良いこと」であることを証明しています。

結論

論文は、DARTが投資の未来における実用的で効率的なツールであることを示唆しています。これは、必ず金持ちになれることを保証する魔法の杖ではありませんが、スマートなルール（自分の近所の声だけを聞くなど）を使い、時間を層状に見ることで、コンピュータは混沌とした株式市場をより良く理解できることを示しています。DARTは、選択的なアプローチによって「多すぎるデータ」の問題を解決し、予算やコンピュータの限界に達することなく、数千の銘柄に対して強力なAIを使用することを可能にします。

著者たちが述べているように、まだ成長の余地はあります。現在、このモデルは静的な業界リストに基づいて「近所」を見ています。将来的には、これらの近所をダイナミック（動的）にし、テクノロジー企業が突然フード企業のように振る舞い始めたり、全く異なるグループを結びつけるニュースが飛び込んできたりしたときに、モデルがそれを察知できるようにしたいと考えています。しかし現時点では、DARTは金融の世界をナビゲートする方法をコンピュータに教えるための、強力で効率的な一歩となっています。