機械学習による金融時系列の予測は実務的にも学術的にも重要な研究課題である。金融時系列は、ノイズが多く、非定常であり、更に機密情報を含む事があるため、分析が困難である。これらの課題に対して、本研究ではAugmentation and Bagging method for Confidential Data series Forecasting(ABCD-Forecast)という手法を提案する。ABCD-Forecastは「データ分析コンペティション」という現実の枠組みから着想を得ており、 多数の分析者が予測結果を送信し評価を受ける仕組みを仮想的に構築する。ABCD-Forecastでは、仮想的な分析者に多様な「ノイズ除去加工」をしたデータを配布する。この加工により多様で低ノイズなデータ生成が可能となる。コンペティション形式で、分析者から多様かつ正確なモデルを得、状況ごとに使い分けることで非定常な市場にも対処する。また、時系列を加工して配布することで、実際のコンペティションに於いても機密性を担保したデータ配布が期待される。本研究では実データを用いた実証分析により良好な予測精度が得られることを示した。
