リスク波及効果を考慮した革新的深層学習モデルの開発と高頻度金融時系列予測への応用

• Project/Area Number: 25K16691
• 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: The Institute of Statistical Mathematics
• Principal Investigator: ZHANG WENTING 統計数理研究所, リスク解析戦略研究センター, 特任助教 (31003816)
• Project Period (FY): 2025-04-01 – 2030-03-31
• Project Status: Granted (Fiscal Year 2025)
• Budget Amount: ¥4,810,000 (Direct Cost: ¥3,700,000、Indirect Cost: ¥1,110,000); Fiscal Year 2029: ¥390,000 (Direct Cost: ¥300,000、Indirect Cost: ¥90,000); Fiscal Year 2028: ¥910,000 (Direct Cost: ¥700,000、Indirect Cost: ¥210,000); Fiscal Year 2027: ¥1,300,000 (Direct Cost: ¥1,000,000、Indirect Cost: ¥300,000); Fiscal Year 2026: ¥1,300,000 (Direct Cost: ¥1,000,000、Indirect Cost: ¥300,000); Fiscal Year 2025: ¥910,000 (Direct Cost: ¥700,000、Indirect Cost: ¥210,000)
• Keywords: リスク波及効果 / 深層学習モデル / 高頻度金融時系列予測

Outline of Research at the Start

従来の線形モデルや単純な非線形機械学習モデルは、株式市場の高い変動性やランダムノイズの影響を十分に捉えきれず、特に長期予測において限界があるとされてきた。本研究は、従来モデルの限界を克服し、高頻度株価データの予測精度向上を目的として、新たな複雑深層学習モデルTransformer-BasedモデルとGNN-Connectednessモデルを提案する。モデルを活用し、先進国と発展途上国の株式市場と商品先物市場における高頻度OCHL(Open,Close,High,Low)価格の予測精度と頑健性を向上させ、ポートフォリオの最適化、リスク管理、市場の異常検出に貢献することを目指している。