ファイナンスデータに対する説明可能な機械学習手法の開発
Project/Area Number |
21K13329
|
Research Category |
Grant-in-Aid for Early-Career Scientists
|
Allocation Type | Multi-year Fund |
Review Section |
Basic Section 07060:Money and finance-related
|
Research Institution | Yokohama National University (2023) Waseda University (2021-2022) |
Principal Investigator |
五島 圭一 横浜国立大学, 大学院国際社会科学研究院, 准教授 (10843956)
|
Project Period (FY) |
2021-04-01 – 2025-03-31
|
Project Status |
Granted (Fiscal Year 2023)
|
Budget Amount *help |
¥4,680,000 (Direct Cost: ¥3,600,000、Indirect Cost: ¥1,080,000)
Fiscal Year 2023: ¥1,170,000 (Direct Cost: ¥900,000、Indirect Cost: ¥270,000)
Fiscal Year 2022: ¥1,170,000 (Direct Cost: ¥900,000、Indirect Cost: ¥270,000)
Fiscal Year 2021: ¥2,340,000 (Direct Cost: ¥1,800,000、Indirect Cost: ¥540,000)
|
Keywords | 転移学習 / ベイズ理論 / 分散投資 / 超過相関 / 暗号通貨 / ファイナンスデータ / 機械学習 / 気候変動リスク / 企業パフォーマンス / ファイナンス / 説明可能性 / データサイエンス / 予測モデル |
Outline of Research at the Start |
本研究の目的は、ファイナンスデータに対する説明可能な機械学習手法の開発を行うことである。ファイナンスデータに対する機械学習の応用は大きな可能性を秘めている一方で、金融実務への応用の課題の一つに機械学習が持つブラックボックスがある。金融実務においては説明責任や透明性が求められる場面も多いことから、本研究ではこうした社会的要請に答えるためのファイナンスデータに対する機械学習手法を開発する。具体的には、ファイナンス理論に基づく伝統的なモデルと機械学習に基づくモデルとの併用技術の開発という研究課題への取り組みを通じて、本研究の目的を達成する。
|
Outline of Annual Research Achievements |
令和5年度は、転移学習及びベイズ理論の枠組みによってファイナンス理論に基づく伝統的なモデルを骨格として入れることで機械学習モデルの制御を試みた。具体的には、機械学習によってオリジナルデータのみから学習するのではなく、はじめに伝統的なモデルを推定し、そこから人工データを発生させ、オリジナルデータと様々な比率で混ぜたデータを用いて機械学習モデルを学習することで、モデルの制御及びブラックボックスの緩和を試みた。機械学習を用いた米国のイールドカーブ予測を題材に研究を取り掛かっており、伝統的なモデルをダイナミック・ネルソンシーゲル・モデルとして、本手法の有効を理論的・実証的に検証した。
|
Current Status of Research Progress |
Current Status of Research Progress
3: Progress in research has been slightly delayed.
Reason
令和5年度は、進めてきた研究成果の一部をまとめることで、査読付学術雑誌に1本掲載された。一方で、所属機関の変更に伴い、研究活動環境の整備や授業準備、管理運営業務に係る書類作成等に時間を割いたため、一部進捗が遅れている。
|
Strategy for Future Research Activity |
本研究課題は研究期間を1年間延長して、来年度も行うことになった。ただし、現段階で大枠のデータ分析は終えており、細部の追加分析を行い、研究成果を論文としてまとめて、学術誌への掲載を目指す。
|
Report
(3 results)
Research Products
(9 results)