大規模言語モデルはウォール街に勝てるか？株式選択における AI の可能性を明らかにする

金融分野における人工知能（AI）の応用は、特に株式市場の分析と予測において、幅広い注目と議論を集めています。ビッグデータの発展とディープラーニングの進歩により、より多くの研究者や投資家が、AIの強力なコンピューティングおよび推論機能を使用して、市場価格、財務レポート、ニュースレポート、マクロ経済など、さまざまな種類のデータを抽出して活用し、より高い収益とより低いリスクを得ようとしています。金融分野における AI の応用には、データの品質と信頼性、モデルの複雑さと解釈可能性、市場のダイナミクスと不確実性など、依然として多くの課題と制限が存在します。

金融分野における LLM の応用は、特にテキストデータを使用した株価分析や予測において研究者の関心を集めています。テキストデータは、大量の情報や感情を含む重要な非構造化データであり、株式市場の動向や株式のパフォーマンスに大きな影響を与えます。テキスト データの処理と分析は、言語の文法、意味、論理、修辞などに関する深い理解と推論を必要とする困難な作業です。 LLM の出現により、この問題を解決する新たな可能性が生まれました。強力な言語機能を使用して、テキスト データから貴重な情報とシグナルを抽出および生成できるため、投資家はより適切な株式選択の決定を下すことができます。

この記事では、ギリシャのアテネ情報技術研究所 (AIT) の Georgios Fatouros、Konstantinos Metaxas、John Soldatos、Dimosthenis Kyriazis の 4 人の著者が執筆し、2024 年 1 月 8 日に arXiv で公開された「大規模言語モデルはウォール街に勝てるか? 株式選択における AI の可能性を明らかにする」と題された最近の論文を紹介しています。この論文では、MarketSenseAI という革新的な AI ベースの株式分析および選択フレームワークを提案しています。これは、GPT-4 の高度な推論機能を活用して、スケーラブルな株式選択シグナル生成を実現します。 MarketSenseAI は、Chain of Thought と In-Context Learning の手法を組み合わせて、市場価格の動向、金融ニュース、企業の基礎情報、マクロ経済レポートなどの複数のデータ ソースを分析し、有名な金融投資チームの意思決定プロセスをシミュレートします。この論文では、MarketSenseAI の開発、実装、実証的検証について詳しく説明し、MarketSenseAI が提供する実用的な投資シグナル (購入、保有、売却) と、これらのシグナルの背後にある説得力のある説明に焦点を当てています。この論文の注目すべき特徴は、GPT-4 を予測ツールとしてだけでなく評価ツールとしても使用し、AI によって生成された説明が投資シグナルの信頼性と受容性に重要な影響を与えることを明らかにしていることです。この論文では、S&P 100 指数の株式を広範囲に実証的に評価した結果、MarketSenseAI はベンチマーク指数を 13% 上回り、市場と同等のリスク レベルを維持しながら最大 40% の収益を達成したことが判明しました。これらの結果は、複雑な財務上の意思決定における LLM の有効性を実証し、AI を財務分析と投資戦略に統合する上で大きな進歩を示しています。この論文は、伝統的な金融分析と投資手法に革命をもたらす AI の変革の可能性を強調する革新的なアプローチを実証することで、金融 AI の分野に貢献しています。

本稿では、論文の包括的な解釈を提供し、以下の側面から分析します：（1）論文の主な貢献と革新、（2）論文の中核となる方法と技術、（3）論文の実験設計と結果、および（4）論文の限界と将来の展望。この記事の目的は、読者に明確かつ詳細な理解を提供し、論文の主な内容と重要性、そして金融 AI 分野への意味と影響を理解できるようにすることです。

01 主な貢献と革新

この論文では、MarketSenseAI という革新的な AI ベースの株式分析および選択フレームワークを提案しています。これは、GPT-4 の高度な推論機能を活用して、スケーラブルな株式選択シグナル生成を実現します。このフレームワークは、Chain of Thought と In-Context Learning の手法を組み合わせ、市場価格の動向、金融ニュース、企業の基礎情報、マクロ経済レポートなどの複数のデータ ソースを分析し、有名な金融投資チームの意思決定プロセスをシミュレートします。このフレームワークは、実用的な投資シグナル（購入、保有、売却）を提供するだけでなく、これらのシグナルの背後にある説得力のある説明も提供し、投資家が AI の推奨事項を理解して信頼するのに役立ちます。

著者らは、ブートストラップ、市場パフォーマンス、ランキングベースの事後評価など、複数の評価方法と指標を使用して、MarketSenseAI のパフォーマンスの広範な実証的評価を実施しました。この論文では、S&P 100 の株式を 1 年間バックテストした結果、MarketSense AI は市場と同等のリスクレベルを維持しながらベンチマーク指数を 13% 上回り、最大 40% のリターンを達成したことが判明しました。これらの結果は、複雑な財務上の意思決定における LLM の有効性を実証し、AI を財務分析と投資戦略に統合する上で大きな進歩を示しています。

この論文は、伝統的な金融分析と投資手法に革命をもたらす AI の変革の可能性を強調する革新的なアプローチを示すことで、金融 AI の分野に貢献します。この論文では、LLM の言語力だけでなく推論力も活用し、信号の品質と解釈の信頼性を向上させています。この論文では、金融分野における LLM の応用の限界と課題、および将来の研究の方向性と機会についても検討しています。

02 コアメソッドとテクノロジー

MarketSenseAI のアーキテクチャとプロセス。この論文では、MarketSenseAI という AI ベースの株式分析および選択フレームワークを設計します。そのアーキテクチャを図 1 に示します。このフレームワークは、データ取得、データ処理、信号生成、信号評価という 4 つの主要コンポーネントで構成されています。データ取得コンポーネントは、市場価格動向、金融ニュース、企業の基礎情報、マクロ経済レポートなど、さまざまなデータ ソースから関連データを収集して保存する役割を担います。データ処理コンポーネントは、収集されたデータのクリーニング、標準化、正規化、および特徴の抽出を行い、その後の分析と予測を容易にする役割を担います。シグナル生成コンポーネントは、GPT-4 の高度な推論機能と Chain of Thought および In-Context Learning 手法を組み合わせてデータを分析し、投資シグナル (購入、保有、売却) と対応する説明を生成します。信号評価コンポーネントは、GPT-4 の評価機能を使用して信号と説明にスコアを付け、その信頼性と受け入れを反映する役割を担います。このフレームワークのプロセスは、データ段階、信号段階、評価段階の 3 つの段階に分かれています。データ ステージには、データ取得とデータ処理の 2 つのコンポーネントが含まれ、信号ステージには信号生成コンポーネントが含まれ、評価ステージには信号評価コンポーネントが含まれます。このフレームワークの目標は、投資家がより良い株式選択の決定を下せるよう、実用的な株式選択シグナルと説得力のある説明を投資家に提供することです。

図1 MarketSenseAIアーキテクチャ

この論文では、株式市場のさまざまな側面と影響要因を網羅するために、市場価格の動向、金融ニュース、企業の基礎情報、マクロ経済レポートなど、さまざまなデータ ソースが使用されています。市場価格動向とは、株式の過去の価格や取引量などのデータを指します。この論文では、シグナル生成の入力の1つとして、Yahoo FinanceのAPIを使用して、S&P 100指数の株式の毎日の終値や取引量などのデータを取得しました。金融ニュースとは、株式に関連するニュースレポートを指します。この論文では、ニュース API を使用して、タイトル、内容、日付、著者、その他の情報を含むさまざまなソースからニュース記事を取得し、シグナル生成の入力の 1 つとしています。企業ファンダメンタルズとは、株式に関連する企業の財務状況と経営状況を指します。このホワイト ペーパーでは、財務諸表 API を使用して、S&P 100 指数に含まれる株式の四半期および年間の財務レポート (貸借対照表、損益計算書、キャッシュ フロー計算書、その他のデータを含む) をシグナル生成の入力の 1 つとして取得します。マクロ経済レポートとは、株式に関連する国や地域の経済状況を指します。この論文では、経済指標 API を使用して、GDP、失業率、インフレ率、金利などの米国の重要な経済指標を取得し、シグナル生成の入力の 1 つとして使用します。データ処理コンポーネントは、収集されたデータのクリーニング、標準化、正規化、および特徴の抽出を行い、その後の分析と予測を容易にする役割を担います。データクリーニングとは、データの品質と信頼性を向上させるために、データからノイズ、外れ値、欠損値、重複値などを除去することを指します。データ標準化とは、データの比較と統合を容易にするために、データを標準の形式と単位に変換することを指します。データの正規化とは、データの分析と処理を容易にするためにデータを均一な範囲に変換することを指します。特徴抽出とは、データの表現と理解を容易にするために、データから有用な情報と特徴を抽出することを指します。この論文では、データの可用性と有効性を向上させるために、平均充填、Z スコア、最大値と最小値の正規化、移動平均、差分、対数変換、主成分分析などのいくつかの一般的に使用されるデータ処理方法を使用します。

信号生成。この論文では、GPT-4 の高度な推論機能と Chain of Thought および In-Context Learning の手法を組み合わせてデータを分析し、投資シグナル (購入、保有、売却) と対応する説明を生成します。思考チェーンとは、さまざまなデータ ソースと知識分野を結び付けて完全な論理チェーンを形成し、結論や提案を導き出すことで、人間の思考プロセスをシミュレートする方法を指します。コンテキスト学習とは、データと知識を特定のコンテキストに埋め込むことで、コンテキスト情報を活用してモデルの理解と推論機能を向上させる方法を指します。本論文では、GPT-4をコア信号発生器として使用し、特定の入力および出力形式を構築し、GPT-4をトレーニングおよび呼び出すことで、思考連鎖と状況学習の方法を実現します。

写真

図2

信号生成プロセスは次のステップに分かれています。

ステップ 1: 入力を構築します。さまざまなデータ ソースと知識ドメインに応じて、次のようなさまざまな入力形式が構築されます。

市場価格は動的に入力されます。入力には、株式の過去の価格や取引量などのデータのほか、移動平均、相対力指数、ボリンジャーバンドなどのテクニカル分析指標が含まれます。この入力の目的は、株価の動きと市場感情、株価の傾向、勢いなどを反映することです。

ステップ 2: GPT-4 を呼び出します。コア信号発生器としてGPT-4を採用し、特定の入出力フォーマットを構築し、GPT-4をトレーニングして呼び出すことで、思考連鎖と状況学習の手法を実現します。 GPT-4 の大規模モデル (1,750 億パラメータ) を使用し、金融分野の言語と知識に合わせて微調整します。使用される出力形式は次のとおりです。

信号出力。出力には、株名、シンボル、日付、シグナル (買い、保有、売り) がコンマで区切られて含まれます。例:

NVIDIA Corporation、NVDA、2023-12-31、購入

出力を解釈します。出力には、コロンで区切られた株名、シンボル、日付、説明が含まれます。例:

NVIDIA Corporation、NVDA、2023-12-31:NVIDIA Corporation (NVDA) は、今後急成長が見込まれる人工知能およびゲーム業界のリーディングカンパニーであるため、購入をお勧めします。NVIDIA は、ディープラーニング、クラウドコンピューティング、ゲームアプリケーションで広く使用されているグラフィックスプロセッシングユニット (GPU) で強力な競争優位性を持っています。NVIDIA はまた、データセンター、自動車、プロフェッショナルビジュアライゼーションセグメントを含む多様な製品ポートフォリオを持ち、安定した継続的な収益源を提供しています。NVIDIA は、高い収益成長率、高い粗利益率、高い自己資本利益率を備えた堅調な財務実績を誇っています。NVIDIA はまた、GeForce RTX 30 シリーズ、NVIDIA Omniverse、NVIDIA Grace CPU などの強力な新製品とイノベーションのパイプラインを備えており、前向きな見通しを持っています。したがって、NVIDIA は長期的に購入して保有する価値のある有望な株式であると考えています。

ステップ 3: 出力を解析します。 GPT-4 によって生成された出力を解析し、その後の評価と提示のために信号と解釈コンテンツを抽出するために、いくつかの単純なルールとアルゴリズムが使用されます。以下の方法が使用されました。

信号分析。この論文では、シグナル出力内の銘柄名、コード、日付、シグナルを一致させるために、次のような単純な正規表現を使用しています。

NVIDIA Corporation、NVDA、2023-12-31、購入 -> (NVIDIA Corporation、NVDA、2023-12-31、購入)

説明と分析。簡潔で明確な説明を生成するために、簡単なテキスト要約アルゴリズムを使用して説明出力の主な情報とアイデアを抽出します。次に例を示します。

NVIDIA Corporation、NVDA、2023-12-31:NVIDIA Corporation (NVDA) は、今後急成長が見込まれる人工知能およびゲーム業界のリーディングカンパニーであるため、購入をお勧めします。NVIDIA は、ディープラーニング、クラウドコンピューティング、ゲームアプリケーションで広く使用されているグラフィックスプロセッシングユニット (GPU) で強力な競争優位性を持っています。また、NVIDIA は、データセンター、自動車、プロフェッショナルビジュアライゼーションセグメントを含む多様な製品ポートフォリオを持ち、安定した継続的な収益源を提供しています。NVIDIA は、高い収益成長率、高い粗利益率、高い自己資本利益率を備えた堅調な財務実績を誇っています。NVIDIA はまた、GeForce RTX 30 シリーズ、NVIDIA Omniverse、NVIDIA Grace CPU などの強力な新製品とイノベーションのパイプラインを備えており、前向きな見通しを持っています。したがって、NVIDIA は長期的に購入して保有する価値のある有望な株式であると考えています。->

NVIDIA Corporation (NVDA) は、強力な競争優位性、多様な製品ポートフォリオ、堅実な財務実績、明るい見通しを備えた AI とゲームのリーダーであるため、購入してください。

信号評価。 GPT-4 の評価機能を使用して、シグナルと説明にスコアを付け、信頼性と受容性を反映させます。

信号スコアリング。単純なロジスティック回帰モデルは、シグナルの過去のパフォーマンスに基づいてシグナルの成功確率を予測するために使用され、シグナルに 0 から 1 の間のスコアを割り当てます。次に例を示します。

NVIDIA Corporation (NVDA) を購入 -> 0.87

評価を説明してください。 GPT-4 は、説明の深さと関連性に基づいて説明の品質と説得力を評価する評価子として使用され、説明に 0 から 1 までのスコアが割り当てられます。次に例を示します。

NVIDIA Corporation (NVDA) は、強力な競争優位性、多様な製品ポートフォリオ、堅実な財務実績、明るい見通しを備えた AI とゲームのリーダーであるため、購入してください。-> 0.92

総合評価。加重平均法は、信号スコアと説明スコアの重みに従って信号と説明の合計スコアを計算するために使用され、信号と説明に 0 から 1 の間のスコアを割り当てます。次に例を示します。

NVIDIA Corporation (NVDA) は、強力な競争優位性、多様な製品ポートフォリオ、堅実な財務実績、明るい見通しを備えた AI とゲームのリーダーであるため、購入してください。-> 0.89

03 実験計画と結果

論文では、ブートストラップ、市場パフォーマンス、ランキングベースの事後評価など、さまざまな評価方法と指標を使用して、MarketSenseAI のパフォーマンスに関する広範な実証的評価を実施しました。実験対象はS&P100指数に該当する銘柄。実験期間は2023年1月1日から2023年12月31日まで、実験頻度は月1回。この論文の実験プロセスは次のとおりです。

自助法。 MarketSenseAI のシグナル生成能力を評価するためにブートストラップ法が使用されました。つまり、繰り返しサンプリングを通じて複数のシグナル サンプルが生成され、その平均値と信頼区間が計算され、シグナルの堅牢性と信頼性が反映されました。この論文では次の手順が使用されました。

ステップ 1: 信号を生成します。この論文では、MarketSenseAI のシグナル生成コンポーネントを使用して、各株式のデータを毎月分析し、買い、保有、売りの 3 つのシグナルとそれに対応する説明を生成します。この論文では以下のルールが使用されました。

- シグナルが買いで、全体のスコアが 0.5 より大きい場合は、購入操作を実行し、株式を 1 か月間保有してから売却します。

- シグナルが保持であり、全体のスコアが 0.5 より大きい場合は、株式を 1 か月間保持し続けてから売却します。

- シグナルが売りであり、総合スコアが 0.5 より大きい場合、売り操作が実行され、株式は保持されなくなります。

- シグナルが買い、ホールド、または売りであるが、合計スコアが 0.5 以下の場合は、シグナルを無視して何も行いません。

ステップ 2: リターンを計算します。この論文では、各株式の月間収益を計算するために次の式を使用しています。

写真

この式では、r′(i, j)は時点iにおける資産jのトレンド除去されたリターンを表し、r(i, j)は実際のリターン、r(i, ·)は時点iにおけるすべての資産の平均リターンを表します。このトレンド除去プロセスは、個々の株式のパフォーマンスを広範な市場トレンドから分離し、MarketSense AI のシグナルの正確性についてより明確な視点を提供するため、非常に重要です。

ステップ 3: サンプリングを繰り返します。この論文では、以下の方法を使用して、各株式の月次リターンを繰り返しサンプリングし、複数のリターン サンプルを生成します。

- 各株式の月間リターンからランダムに 1 つのリターンを選択し、元のサンプルに戻して、このプロセスを 12 回繰り返してリターン サンプルを取得します。

- 各リターン サンプルについて、サンプルのパフォーマンス指標として累積リターンと年率リターンを計算します。

- 上記の 2 つの手順を 1000 回繰り返して、1000 個のリターン サンプルと対応するパフォーマンス インジケーターを取得します。

ステップ 4: 平均と信頼区間を計算します。この論文では、以下の式を使用して、各株式の月間収益の平均と信頼区間を計算しています。

ポートフォリオのパフォーマンス（累積リターン）は次の式で表されます。

写真

ヒット率は次のように計算されます。

写真

PL(i,j): 時点 i における資産 j のパフォーマンス。PL(i,j) = m(i,j) × r(i,j.) と定義されます。

L: 評価信号を表すインジケーター。Llong はロング、Lshort はショート、Lboth は 2 つの信号を表します。

m(i,j): 時刻iにおける資産jのモデル予測（信号）。

r(i,j): 時点 i における資産 j の実際の収益。

VL: モデル予測と L に基づくリターンのセット。

I(x): インジケータ関数。x が true の場合は 1 を返し、それ以外の場合は 0 を返します。

ステップ 5: 結果を比較します。この論文では、MarketSenseAI のシグナル生成能力とランダムシグナル生成能力の違いを次の方法で比較しています。

- 各株式について、同じ方法論を使用して、ベンチマークとして 1,000 個のランダムなシグナル サンプルと対応するパフォーマンス メトリックを生成します。

- 各株式について、t検定を使用してMarketSenseAIシグナルサンプルとランダムシグナルサンプルのパフォーマンス指標を比較し、差異の重要性を反映するp値を計算します。

- すべての株式について、MarketSenseAI のシグナル サンプルとランダム シグナル サンプルのパフォーマンス指標が、全体的な比較のために平均と標準偏差を使用して要約されます。

市場のパフォーマンス。本稿では、市場パフォーマンスを使用して MarketSenseAI のシグナル生成能力を評価します。つまり、MarketSenseAI のシグナルを実際の投資ポートフォリオに変換し、その利回りとリスク指標を計算し、それを市場ベンチマークと比較して、シグナルの有効性と利点を反映します。次の手順が使用されました。

ステップ 1: 投資ポートフォリオを構築します。この論文では、MarketSenseAI のシグナル生成コンポーネントを使用して、各株式のデータを毎月分析し、買い、保有、売りの 3 つのシグナルとそれに対応する説明を生成します。この論文では以下のルールが使用されました。

- シグナルが買いで、全体のスコアが 0.5 より大きい場合は、購入操作を実行し、株式を 1 か月間保有してから売却します。

- シグナルが保持であり、全体のスコアが 0.5 より大きい場合は、株式を 1 か月間保持し続けてから売却します。

- シグナルが売りであり、総合スコアが 0.5 より大きい場合、売り操作が実行され、株式は保持されなくなります。

- シグナルが買い、ホールド、または売りであるが、合計スコアが 0.5 以下の場合は、シグナルを無視して何も行いません。

彼らは均等加重アプローチを使用して、利用可能な資金を毎月すべての対象株式に均等に配分し、MarketSense AI の表現として動的なポートフォリオを構築しました。

ステップ 2: 収益率とリスク指標を計算します。

ステップ 3: 結果を比較します。この論文では、MarketSenseAI のポートフォリオと市場ベンチマークの違いを比較するために、次の方法が使用されました。

- 市場ベンチマークとして S&P 100 指数を選択し、同じ方法論を使用してそのリターンとリスク指標を計算します。

- MarketSenseAI のポートフォリオと市場ベンチマークのリターンとリスクの指標を比較し、その違いの理由と重要性を分析します。

- 情報比率を総合的な評価指標として使用し、MarketSenseAI の投資ポートフォリオの市場ベンチマークに対する超過収益とアクティブリスクを計算し、相対的な有効性と優位性を反映します。

ランキングに基づく事後評価。ランクベースの事後評価は、MarketSenseAI のシグナル生成能力を評価するために使用されます。つまり、MarketSenseAI のシグナルを株式ランキングに変換し、市場ベンチマークとの相関関係と一貫性を計算して、シグナルの精度と安定性を反映します。次の手順が使用されました。

ステップ 1: ランキングを作成します。この論文では、MarketSenseAI のシグナル生成コンポーネントを使用して、各株式のデータを毎月分析し、買い、保有、売りの 3 つのシグナルとそれに対応する説明を生成します。この論文では以下のルールが使用されました。

• シグナルが買いで、複合スコアが 0.5 より大きい場合、株のランキングは 1 に設定されます。

• シグナルがホールドされ、複合スコアが 0.5 より大きい場合、株のランクは 2 に設定されます。

• シグナルが売りであり、複合スコアが 0.5 より大きい場合、株のランクは 3 に設定されます。

•シグナルが買い、ホールド、または売りであるが、複合スコアが 0.5 以下の場合、株のランクは 4 に設定されます。

以下の方法を使用して、各月の各銘柄の順位を並べ替え、MarketSenseAI のパフォーマンスとして銘柄のランキングリストを取得します。

ステップ 2: 相関関係と一貫性を計算します。この論文では、MarketSenseAI の株式ランキングリストと市場ベンチマークの株式ランキングリスト間の相関と一貫性を計算するために、次の方法を使用しています。

S&P 100 指数を市場ベンチマークとして選択し、月間リターンを株式ランキングの基準として使用し、市場ベンチマークのパフォーマンスとして株式のランキングリストを取得します。

各月について、スピアマン順位相関係数を使用して、MarketSenseAI 株式ランキングリストと市場ベンチマーク株式ランキングリスト間の相関を計算し、シグナルの精度を反映します。

各月について、MarketSenseAI の株式ランキング リストと市場ベンチマークの株式ランキング リストの一貫性は、信号の安定性を反映するために Kendall 一致係数を使用して計算されます。

ステップ 3: 結果を比較します。この論文では、MarketSenseAI の株式ランキングリストと市場ベンチマークの株式ランキングリストの違いを比較するために、次の方法を使用しました。

各月について、MarketSenseAI 株式ランキングリストと市場ベンチマーク株式ランキングリストの相関と一貫性の差を t 検定で比較し、差の有意性を反映する p 値を計算します。

すべての月について、MarketSenseAI の株式ランキング リストと市場ベンチマークの株式ランキング リスト間の相関関係と一貫性が、全体的な比較のために平均と標準偏差を使用してまとめられています。

04限界と今後の展望

LLM の強力な機能と可能性は、資源分析と選択において実証されていますが、将来の研究で改善および拡張する必要があるいくつかの制限と課題もあります。本稿では、以下の点における限界と将来性を指摘する。

データの品質と信頼性。この論文では、市場価格動向、金融ニュース、企業ファンダメンタルズ、マクロ経済レポートなど、さまざまなデータソースを使用していますが、これらのデータには、不完全性、不正確さ、適時性の欠如、矛盾、偏りなどの問題がある可能性があります。これらの問題は、データの品質と信頼性に影響を与え、シグナルの生成と評価に影響を与える可能性があります。したがって、この論文では、将来の研究ではデータの品質と信頼性を向上させるために、より高品質で信頼性の高いデータソース、またはより高度なデータ処理および分析方法を使用することを推奨しています。

モデルの複雑さと解釈可能性。彼らは、GPT-4 をコア信号ジェネレーターおよび評価器として使用し、その強力な言語理解および生成機能を活用して思考連鎖と状況学習法を実装しましたが、これによりモデルの複雑さと解釈可能性に問題も生じました。 GPT-4 は、1,750 億のパラメータを持つ非常に大規模なニューラル ネットワーク モデルです。その内部の動作原理とロジックは人間が理解して説明するのが難しく、モデルの予測不可能性と制御不能性につながる可能性があり、それによって信号の信頼性と受容性に影響を及ぼします。したがって、この論文では、将来の研究では、より単純で透明性の高いモデルを使用するか、より効果的なモデル解釈および視覚化方法を使用して、モデルの複雑さと解釈可能性を向上させる必要があると示唆しています。

市場のダイナミクスと不確実性。この論文では、S&P 100指数の銘柄を実験対象として、2023年のデータをバックテストしましたが、市場のダイナミクスと不確実性を反映していない可能性があります。つまり、市場動向と株価パフォーマンスは時間と環境によって変化する可能性があり、シグナルが失敗して時代遅れになり、シグナルの有効性と利点に影響を与える可能性があります。したがって、この論文では、将来の研究では、より多くの銘柄とより長い期間を使用するか、より柔軟でリアルタイムの信号生成および評価方法を使用して、信号のダイナミクスと不確実性を改善すべきであると示唆しています。

参照: https://arxiv.org/abs/2401.03737