記事「古典的な戦略を再構築する（第17回）：テクニカル指標のモデリング」についてのディスカッション

[MetaQuotes]

新しい記事「古典的な戦略を再構築する（第17回）：テクニカル指標のモデリング」はパブリッシュされました:

金融における古典的機械学習手法によって課されている「ガラスの天井」をいかに打ち破るかに焦点を当てます。統計モデルから引き出せる価値に対する最大の制約は、モデルそのもの、すなわちデータやアルゴリズムの複雑さではなく、それらを適用する方法論にあるようです。言い換えれば、真のボトルネックはモデルの内在的能力ではなく、私たちがそれをどのように運用しているかにあるのかもしれません。

機械学習やその他の現代的な統計手法をアルゴリズム取引に適用することには、特有の難しさが伴います。私たちのコミュニティが直面している問題は金融市場に固有のものであり、そのため、より広範な機械学習分野ではほとんど議論されていません。その結果、古典的な教師あり学習は、私たちの分野にとって重要な論点について実践的な指針をほとんど提供していません。特に見過ごされがちな重要課題の一つは、金融時系列をモデル化する際には固定された目的変数が存在しないという事実です。これは、一見すると重大には思えないかもしれませんが、実際には本質的な問題です。

これを理解するために、医療分野でこれらの手法がどのように用いられているかを考えてみましょう。教師あり学習の多くがもともと医療分野から発展してきたこと、そして私たちのコミュニティがそれらを借用していることを思い出してください。医療においては、目的変数は明確かつ厳密に定義されています。たとえば、医師は患者ががんであるか否かを分類します。これは明確で不変のラベルを持つ二値分類問題です。医師の目的は一貫しており、目的変数は物理的現実に根ざしています。さらに、医療モデルは生物学的制約、倫理的制約、手続き的制約といった自然な枠組みの中で運用されており、それが学習問題に安定した構造を与えています。

これに対して、金融の領域にはそのような構造がありません。アルゴリズム取引に携わる私たちには、目的変数の固定された定義が存在しません。市場は年率収益率、日次収益率、15分足収益率、年間価格上昇率、最大下落率、変動率、あるいは資産間の相対変動として定式化することができます。実際、取引文脈において目的変数を定義する方法は無数に存在します。そして、これらはすべて同じ基礎データから導かれているにもかかわらず、ある定義は他のものよりもはるかに予測が困難です。 

作者: Gamuchirai Zororo Ndawana