AIによる株式投資3カ月で100万円上級【機械学習は理論の発見に役立つ】

世間一般にいわれていることに反し、バックテストは研究ツールではない。

バックテストは、投資戦略が真の陽性であることを証明することはできず、投資戦略が偽陽性である証拠を提供するだけである。 

決してバックテストだけで投資戦略を開発してはならない。

投資戦略はヒストリカルシミュレーションではなく理論によって裏付けられなければならない。

その理論は十分に一般的なものでなければならず、たとえブラックスワンであっても特定のケースを説明できなければならない。

ブラックホールの存在は、最初のブラックホールが観測される50年以上前から、一般相対性理論によって予測されていた。

上記の例では、マーケット・マイクロストラクチャー理論(後にVPIN理論として知られるようになった。 Easley et al. 2011bを参照)が、ブラックスワンの存在を予測し、そこから利益を得るのに役立ったのである。

それだけでなく、理論的研究は、市場の反発にも貢献したのである(ある同僚は、筆者たちが「フラッシュ・クラッシュ」に「フラッ
シュ」を入れるのに貢献したと冗談をいっていた)。

新しい金融理論を発見するための次のようなアプローチを考えてみよう。

まず、機械学習ツールを活用して、複雑な現象に関与している隠れた変数を発見する。

これらの変数が、予測を成功させるために理論に組み込むべき構成要素となる。

機械学習ツールはこれらの要素を特定するが、これらの要素を結びつける正確な方程式を直接教えてくれるわけではない。

第二に、これらの構成要素を構造記述によって結びつける理論を定式化する。

この構造記述とは、基本的には特定の囚果関係のメカニズムを仮説化した連立方程式である。

第三に、この理論を、第一段階の機械学習ツールで利用した観測値を超えて、広い範囲で検証する.

よい理論は、アウトオブサンプルの事象を予測することができる。

さらにこうした理論は、正例(xなら1む)だけでなく、負例(yが存在しないことはjrが存在しないことに起因する)も説明する
ことができる。

上記の発見プロセスにおいて、機械学習は、変数の探索とモデル仕様の探索をデカップリングするという重要な役割を果たしている。 

経済理論は、「真理値が未知の事実」(Romer 2016)や「一般的にインチキ」な仮定(Solow 2010)に基づいていると批判されることが多い。

現代の金融システムの複雑さを考えると、研究者がデータの目視検査やいくつかの回帰分析を実行することで理論の構成要素を発見できるとは考えにくい。

古典的な統計手法では、このような2つの探索のデカップリングはできないのである。

理論が検証された後は、それは自立していくことになる。こうして、機械学習アルゴリズムではなく理論が予測を行うのである。

前述の例では、自律的な機械学習アルゴリズムによるオンライン予測ではなく、理論がポジションを停Illさせたのである。

刋則は理論的に堅固なものであり、定義されないパターンに基づくものではなかったのである。

たしかに機械学習技術の助けがなければ理論は発見できなかっただろうが、ひとたび理論が発見された後には、フラッシュ・クラッシュの2時間前にポジションをクローズするという決定に機械学習アルゴリズムは何の役割も米たしていない。

このように、ファイナンスにおける機械学習の最も洞察力のある使い方は、理論を発見するためのものである。

数仙予測を立てるために機械学習を利川することもII」‘能ではあるが、それは必ずしも科学的にベストな機械学習の利川法であるとは隕らないのである。