株式市場戦略における因果発見

この記事では、特定のアルゴリズムが株式市場で役立つ方法について、異なる株の間の有用な関係を見つけることによって探っています。これらのつながりは投資戦略を作成するのに使えます。私たちはこれらのアルゴリズムによって見つけた関係に基づいた投資戦略を開発し、利益の観点でどれだけうまく機能したかをテストしました。私たちの発見は、これらのアルゴリズムが実際に株式市場における重要な関係を明らかにし、利益を上げる可能性があることを示しています。しかし、私たちはまた、これらのアルゴリズムが特に大量のデータを扱う際に複雑で遅くなることも発見しました。

#研究の背景

多くのアルゴリズムが時系列データの分析のために作られ、その中には株式市場で株価に影響を与える要因を特定するために試されたものもあります。しかし、将来の株価を予測することや取引戦略を作成することを目指した研究にはあまり応用されていません。この記事は、因果関係に基づいた戦略を設計し、どれだけ効果的かを評価することでそのギャップを埋めることを目指しています。

#主な貢献

この研究にはいくつかの主な目標があります：

• 実際の株式市場データに因果発見手法を適用すること。
• 特定された関係を取引戦略に変えるプロセスを作成すること。
• 中国とアメリカの主要株式市場でその戦略をテストすること。

私たちは誰でも使えるコードも開発しました。これにはデータ準備、精度評価、アルゴリズムの実行、取引シナリオのシミュレーションに必要なすべてが含まれています。

#研究の質問

私たちは三つの主要な質問に焦点を当てており、この記事の終わりにその回答を載せています。

#因果発見アルゴリズムの概要

従来のアプローチでは、ある時系列が別の時系列に影響を与えることを示すために、最初の系列について知っていることが、二つ目の将来の値の予測に役立つ場合に成り立ちます。この方法はうまく機能しますが、同時に二つの変数しか見ないため、時には誤解を招く結果を与えることがあります。時系列因果発見アルゴリズムは、データの複雑な関係をより明確に把握するために設計されています。

これらのアルゴリズムは、時系列データセットにおける潜在的な因果関係を地図に描き、指向グラフとして表示します。私たちの研究では、tsFCI、VarLiNGAM、TiMINoの三つの特定のアルゴリズムを使用しました。これらはさまざまなタイプのデータでうまく機能することが知られています。

#アルゴリズムの詳細

tsFCI：この方法は完全な因果グラフを作成することから始まり、変数間の独立性をチェックするテストを使用してそれを簡略化します。隠れた変数を含むデータをうまく処理し、スライディングウィンドウを使ってデータを拡張します。

VarLiNGAM：このアルゴリズムは、各変数がその原因とランダムエラーによって形作られていると仮定します。因果構造を概説するために統計モデルを使用し、非ガウス分布に対してうまく機能することが示されています。

TiMINo：このアプローチは、非線形効果と変数間の直接的な影響の両方を考慮します。時系列の中で一緒に機能する変数のセットを探し、これらの関係の構造的な概要を提供することを目指します。

#研究アプローチ

私たちの研究は、中国とアメリカの株式市場を分析することを目指し、選択した株の価格データを10年間収集しました。著名な投資家ナンシー・ペロシに関連する小さなデータセットも調査しましたが、限られているにもかかわらず、利益の可能性を示しました。

私たちは欠損データに直面し、線形手法を用いてギャップを埋め、残っているデータ問題のある株を排除しました。データセットをクリーンアップした後、影響力のある株を特定するためにアルゴリズムを使用する方法に集中しました。

#取引戦略

私たちのアプローチの核心は、株価の背後にある原動力を見つけるためにアルゴリズムを使用し、予測を助けることです。これらの関係を特定した後、過去のデータを使って将来の価格を推定する予測モデルをフィットさせました。

予測された価格を使って、期待されるリターンを計算し、過去にパフォーマンスの良かった株を買い、そうでない株を売るというロング・ショートモメンタムアプローチに基づいた取引戦略を実施しました。

私たちの戦略は毎日運用され、取引コストを考慮する必要があります。私たちはドルニュートラルなポジションを維持し、株を買うために投資した金額が他の株を売ることで得られる金額とバランスを取っています。

#パフォーマンス評価

私たちの戦略が有効であることを確かめるために、歴史的データを使用してそのパフォーマンスをテストし、バイアスを避けました。そのために、データセットをトレーニング用とテスト用に分けました。

各取引セッションで、私たちは戦略を実行し、実際の結果を追跡しました。取引コストを差し引いた後のデイリーリターンを計算しました。最後に、私たちのアプローチが市場インデックスに対してどれだけうまく機能したかを評価しました。

#結果

アルゴリズムを実際の株データに適用する前に、因果関係が知られているデータセットで私たちの方法を確認し、同様の精度を達成しました。

テストケースのパフォーマンスはさまざまでした。いくつかのアルゴリズムは、大規模データセットに直面した際に処理時間に苦労しました。VarLiNGAMは最も効率的で、私たちの時間制限内で計算を成功させました。

全体として、因果発見を取引戦略に組み込むことで、一般的により良いリターンが得られることがわかりました。特に大規模データセットに適用する際にそうでした。VarLiNGAMはすべてのテストで一貫して最高のリターンを提供しました。

私たちの結果からの重要な観察は以下の通りです：

• 因果発見を利用すると、株の歴史的パフォーマンスだけに頼るよりも良い投資結果が得られた。
• 大規模市場では、小規模市場よりも効果的な取引戦略が可能だった。
• 短いタイムラグは高いリターンをもたらし、予測モデルの独立変数が少ないほどより正確な予測につながることを示唆している。
• 戦略に含めるべき最適な株の数は、利用可能な株の1%から6%の範囲だった。

#結論

私たちの発見は、VarLiNGAMが数百の株データを分析するためにテストした中で最高のアルゴリズムであることを確立しました。tsFCIとTiMINoは小さなデータセットに制限されていますが、因果発見を使用することで予測精度と取引パフォーマンスが大幅に向上することが示されています。特に大規模市場ではそうです。

ナンシー・ペロシに関連するような小さなデータセットでは、パフォーマンスはそれほど効率的ではありませんでした。この制限は、株が少なすぎるとアルゴリズムが重要な影響を見逃すかもしれないことを示唆しています。

今後、この研究分野でのさらなる改善を探求する予定です。

#将来の方向性

要するに、私たちの研究は、株式市場分析における因果発見手法の重要性を強調しています。従来の手法と比較してリターンにおいて顕著な違いが見られました。この記事は、取引戦略を最適化し、株式パフォーマンスを予測するために使用されるアルゴリズムを洗練することに焦点を当てた今後の探求の基礎を築いています。今後もこの研究を拡大し、実際の金融市場におけるこれらの手法の理解と応用を向上させることを楽しみにしています。