株式市場予測

株式市場予測とは、取引所で取引される企業の株式やその他の金融商品の将来価値を判定しようとする行為です。株式の将来価格の予測に成功すれば、大きな利益が得られる可能性があります。効率的市場仮説では、株価は現在入手可能なすべての情報を反映しており、新たに明らかにされた情報に基づかない価格変動は本質的に予測不可能であるとしています。これに反対する人もおり、この見解を持つ人々は、将来の価格情報を得ることができるとされる無数の方法や技術を所有しています。

効率的市場仮説は、株価は情報と合理的期待の関数であり、企業の見通しに関する新しく明らかになった情報は、ほぼ即座に現在の株価に反映されるというものです。これは、企業に関するすべての公開情報 (当然のことながら株価履歴を含む) が、すでに現在の株価に反映されていることを意味します。したがって、株価の変動は、新しい情報の発表、市場全体の変化、または既存の情報セットを反映する値の周りのランダムな動きを反映しています。

バートン・マルキールは、1973年に出版された影響力の大きい著書『ウォール街のランダムウォーク』の中で、株価は価格履歴を見ても正確に予測できないと主張した。その結果、マルキールは、株価は「ランダムウォーク」と呼ばれる統計プロセスによって最もよく説明され、つまり、中心値からの毎日の偏差はランダムで予測不可能であると主張した。これにより、マルキールは、金融サービス業者に市場予測を依頼することは、純ポートフォリオ収益率を高めるどころか、むしろ低下させるという結論に至った。多くの実証的テストは、この理論が一般的に当てはまるという考えを裏付けており、プロの株価予測者が管理するポートフォリオのほとんどは、マネージャーの手数料を差し引いた後でも市場平均収益率を上回らない。^[1]

本質的価値 (真の価値) とは、ファンダメンタル分析を使用して、有形および無形の要素を含む企業の認識または計算された価値です。これは、ファンダメンタル価値とも呼ばれます。これは、企業の市場価値と比較し、株式市場で企業が過小評価されているかどうかを調べるために使用されます。これを計算する際に、投資家は事業の質的側面と量的側面の両方を考慮します。通常、これは、資産によって生み出される割引後の将来の収入を合計して現在価値を算出することによって計算されます。

予測手法は、重複する可能性のある（多くの場合重複する）3 つの大まかなカテゴリに分類されます。それらは、ファンダメンタル分析、テクニカル分析（チャート作成）、機械学習です。

ファンダメンタル アナリストは、株式の裏付けとなる企業に関心を持っています。彼らは企業の過去の業績と、その会計の信頼性を評価します。株価収益率など、ファンダメンタル アナリストが株式の妥当性を評価するのに役立つ業績比率が多数作成されています。ウォーレン バフェットは、おそらくファンダメンタル アナリストの中で最も有名です。彼は、株式市場全体の相対的な価値を示すために、全体的な時価総額とGDPの比率を使用しており、この比率は「バフェット指標」として知られています。^{[2] [3] [4]}

株式市場におけるファンダメンタル分析が目指すのは、株式の真の価値を見つけ出すことです。その真の価値を株式市場で取引されている価値と比較することで、市場の株式が過小評価されているかどうかを調べることができます。真の価値を見つけるには、基本的に同じ原則に従ってさまざまな方法があります。その原則とは、企業の価値は将来の利益をすべて合計した金額であるということです。これらの将来の利益も、現在の価値に割り引く必要があります。この原則は、ビジネスは利益がすべてであり、それ以外は何もないという理論とよく一致しています。

テクニカル分析とは対照的に、ファンダメンタル分析はより長期的な戦略として考えられています。

ファンダメンタル分析は、人間社会が進歩するためには資本が必要であり、企業がうまく運営されれば追加資本で報われ、株価が急上昇するという信念に基づいています。ファンダメンタル分析は、最も合理的で客観的であり、財務諸表分析などの公開情報に基づいているため、ファンドマネージャーによって広く使用されています。

ファンダメンタル分析のもう一つの意味は、ボトムアップの企業分析を超え、まず世界経済を分析し、次に国別分析、次にセクター別分析、最後に企業レベルの分析を行うトップダウン分析を指します。

テクニカル分析は、過去の市場データ、主に価格と取引量を研究することで、価格の方向性を分析・予測する分析手法です。テクニカル分析の有効性は、株式市場の価格は本質的に予測不可能であるとする効率的市場仮説によって異論が唱えられており、 ^[5]テクニカル分析が何らかの利益をもたらすかどうかに関する研究では、さまざまな結果が得られています。^{[6] [7] [8]}

テクニカル アナリストやチャーティストは、通常、企業のファンダメンタルズにはあまり関心がありません。彼らは、主に過去の価格の傾向に基づいて、将来の株価変動の可能性を判断しようとします (時系列分析の一種)。ヘッド アンド ショルダーやカップ アンド ソーサーなど、多数のパターンが使用されます。パターンに加えて、指数移動平均(EMA)、オシレーター、サポート レベルとレジスタンス レベル、モメンタム インジケーターとボリューム インジケーターなどのテクニックが使用されます。ローソク足パターンは、日本の米商人によって最初に開発されたと考えられており、現在ではテクニカル アナリストによって広く使用されています。テクニカル分析は、長期戦略よりも短期戦略に使用されます。そのため、トレーダーが短期的な価格変動に注目する商品市場や外国為替市場では、テクニカル分析がはるかに普及しています。この分析で使用される基本的な仮定がいくつかあります。まず、企業に関する重要なことはすべてすでに株価に織り込まれていること、価格がトレンドに沿って変動すること、そして最後に、主に市場心理のために (価格の) 履歴が繰り返される傾向があることです。

デジタルコンピュータの出現により、株式市場予測は技術的な領域に移行しました。人工ニューラルネットワーク^[9]（ANN）、ランダムフォレスト^[10]、教師あり統計分類[ ^11]など、機械学習技術を株式市場予測に実装した研究論文がいくつか発表されています。

株式市場予測に使用される一般的な ANN の形式は、ネットワークの重みを更新するためにエラーの逆伝播アルゴリズムを使用するフィード フォワード ネットワークです。これらのネットワークは、一般にバックプロパゲーションネットワークと呼ばれます。株式予測に適した別の ANN の形式は、時間リカレント ニューラル ネットワーク(RNN) または時間遅延ニューラル ネットワーク(TDNN) です。RNN と TDNN の例には、Elman、Jordan、Elman-Jordan ネットワークがあります。

ANN による株価予測では、通常、異なる時間範囲を予測するために、独立型と共同型の 2 つのアプローチが採用されます。独立型アプローチでは、1 日、2 日、5 日など、時間範囲ごとに 1 つの ANN を使用します。このアプローチの利点は、通常、各時間範囲は固有の問題であるため、1 つの範囲のネットワーク予測エラーが別の範囲のエラーに影響を与えないことです。一方、共同型アプローチでは、複数の時間範囲をまとめて、それらが同時に決定されるようにします。このアプローチでは、1 つの時間範囲の予測エラーが別の範囲のエラーと共有される可能性があり、パフォーマンスが低下する可能性があります。また、共同モデルにはより多くのパラメーターが必要なため、過剰適合のリスクが高まります。

最近、株価予測のための ANN を研究している学術研究グループの大半は、独立した ANN のアンサンブル手法をより頻繁に使用し、より大きな成功を収めているようです。ANN のアンサンブルは、低価格と時間差を使用して将来の安値を予測し、別のネットワークは、時間差のある高値を使用して将来の高値を予測します。予測された安値と高値の予測は、買いまたは売りのストップ価格を形成するために使用されます。個々の「安値」および「高値」ネットワークからの出力は、最終的なネットワークに入力することもできます。このネットワークには、ボリューム、市場間データ、または価格の統計的要約も組み込まれ、買い、売り、または市場の方向転換をトリガーする最終的なアンサンブル出力がもたらされます。

ディープラーニングの手法はある程度使用されています。ゲート付き3タワートランスフォーマー（GT3）は、数値市場データとソーシャルソースからのテキスト情報を統合して株式市場予測の精度を高めるように設計されたトランスフォーマーベースのモデルです。^[12]

NNはトレーニングが必要で、パラメータ空間が広い場合があるので、ネットワークを最適化することで予測能力を最適化できます。ANNと株価予測に関する主要な発見は、買い（y=+1）と売り（y=-1）という形で出力を使用する分類アプローチ（関数近似と比較）は、低価格や高価格などの定量的な出力よりも予測の信頼性が高くなることです。^[13]

ランダム フォレストと教師あり統計分類を使用した実装は、バイナリ分類問題として株価の動きを予測するのと同じアプローチに従います。この定式化では、将来の収益の符号がデータのラベルであり、予測収益は負と非負に分割され、分類モデルに入力するために使用される観測可能な特徴は、遅延収益、遅延収益の符号、またはその他の遅延説明経済データです。

分類モデルの品質を評価するために使用される損失関数は、予測の精度（分類器が正しい符号を予測した回数を予測した合計回数で割ったものとして定義される）^[10]、または分類器が正の符号を予測したときに買い、分類器が負のリターンを予測したときに売る取引戦略の総リターンのいずれかになります。^[11]すべての統計分類問題で標準的に使用されるように、利用可能なデータをトレーニング サンプルとテスト サンプルに分割し、テスト サンプルの結果のみに基づいてモデルを評価することが重要です。これは、外れ値やデータ マイニングの影響を受けやすいサンプル内パフォーマンスに基づく証拠よりも、テスト サンプルの結果の方が一般的に信頼できると考えられるためです。^[14]サンプル外予測は、予測者が「リアルタイム」で利用できる情報をより適切に反映します。

Tobias Preisらは、Google Trendsが提供する検索量データに基づく取引戦略を使用して、株式市場の動きのオンライン前兆を特定する方法を紹介した。^[15] Scientific Reportsに掲載された、金融関連のさまざまな用語98個のGoogle検索量の分析^[16]によると、金融関連の検索量の増加は、金融市場での大きな損失に先行する傾向があることが示唆されている。^{[17] [18] [ 15] [19] [20] [21] [22] [23]} これらの用語のうち、3つは5％レベルで有意であった（| z | > 1.96）。最も負の方向にあった用語は「借金」で、次に「色」が続いた。

2013年にScientific Reportsに掲載された研究^[24]で、ヘレン・スザンナ・モート、トビアス・プライスらは、金融関連の英語版Wikipedia記事の閲覧数の変化とその後の株式市場の大きな変動との間に関連があることを実証した。^[25]

テキストマイニングと機械学習アルゴリズムの組み合わせは、ここ数年注目を集めており、^[26]インターネットからのテキストコンテンツを入力として使用して、株式やその他の金融市場の価格変動を予測しています。

Twitterのメッセージの集合的な気分は株式市場のパフォーマンスと関連している。^[27]しかし、この研究は方法論に関して批判されている。

株式掲示板の活動は、資産収益を予測するためにマイニングされました。^[28] Yahoo! FinanceとGoogle Financeの企業見出しは、テキストマイニングプロセスのニュースフィードとして使用され、ダウジョーンズ工業株30種平均からの株価変動を予測しました。^[29]

• 経済予測