社会の諸事象を伝える新聞記事のテキストから経済の変動の兆候を捕捉できないか探るため、記事のトピックの割合と株価指数の相関を分析した。まず、国内一紙の2003 年から2012年までの10 年間の77,814 記事の単語を潜在的ディリクレ配分法（LDA）によって30 のトピックに分類して、日ごとの各トピックが占める割合を求めた。次に、そのトピック割合と34 種の東証株価指数の収益率及びボラティリティの時系列データとの間の順位相関を計算した。結果として、トピックの割合と株価指数の収益率との間に相関は見られなかったが、一部のトピックと株価指数のボラティリティとの間には時期に依存した有意な相関があることを発見した。

資産運用分野において, 従来から考慮されてきた財務情報に加えてESG 課題を考慮して投資を行う「ESG 投資」が世界的な潮流となっている. ESG 投資において, 企業によるESG 情報開示は重要な情報源となるが, 日本において多くの投資家が企業のESG 情報開示は十分ではないと考えているという調査結果がある. 本研究では, 上場企業に法的に義務付けられた開示書類である有価証券報告書を使用して, ESG 関連文を抽出するモデルを作成する, 具体的には, 有価証券報告書の経営方針項目及び事業等のリスク項目の文に対しアノテーションを行うことでESG 関連文データセットを作成し, そのESG 関連文データセットを利用してBERT のファインチューニングを行って, ESGに関連する情報を抽出する. 更に, ファインチューニングしたBERT を使用して, ESG 情報開示の動向を可視化した.

In this paper, we propose an LSTM for predicting Bitcoin price using Google Trends data and sentiment scores of news and tweets. We used sentiment scores of news weighted by the number of news as inputs. We also used sentiment scores of tweet sentiment scores weighted by tweet information, such as the number of likes, the number of retweets and the number of followers and used them as inputs. The results show better performance of the proposed method than using the non-weighted sentiment scores of news and tweets as inputs.

General domain pretrained large-scale language models, such as BERT and GPT3, have achieved state-of-the-art results among numerous NLP classification and generation applications. This pretraining technology is also willing to be used in vertical domains, such as finance. The downstream applications include financial event extraction from news, summarization, and causal inferencing. In this paper, we propose large-scale pretrained BERT models for financial domain in English and Japanese languages. The original datasets come from professional financial news. We empirically study the factors of sub-word vocabulary set, model size and their impacts to the downstream financial NLP applications. The code and pretrained models are released from https://github.com/NVIDIA/Megatron-LM.

Recent developments in deep learning techniques have motivated intensive research in machine learning-aided stock trading strategies. However, since the financial market has a highly non-stationary nature hindering the application of typical data-hungry machine learning methods, leveraging financial inductive biases is important to ensure better sample efficiency and robustness. In this study, we propose a novel method of constructing a portfolio based on predicting the distribution of a financial quantity called residual factors, which is known to be generally useful for hedging the risk exposure to common market factors. The key technical ingredients are twofold. First, we introduce a computationally efficient extraction method for the residual information, which can be easily combined with various prediction algorithms. Second, we propose a novel neural network architecture that allows us to incorporate widely acknowledged financial inductive biases such as amplitude invariance and time-scale invariance. We demonstrate the efficacy of our method on U.S. and Japanese stock market data. Through ablation experiments, we also verify that each individual technique contributes to improving the performance of trading strategies. We anticipate our techniques may have wide applications in various financial problems.

ベンチマークのないバランス型運用では，しばしば自身と類似した運用を行うプレイヤーとのパフォーマンス比較が重視されるため，他のプレイヤーのポジションを把握することが相対的な運用リスク管理の観点から有用である．しかし多くのヘッジファンド複製に関する先行研究で示されるように，運用の自由度の高いポートフォリオのポジションを高精度に推定することは容易ではない．そこで本研究ではヘッジファンドより投資制約の強いバランス型投資信託をケーススタディとして，高精度なウェイト推定を実現する手法を提案し，人工データ実験によりその有効性を示す．具体的には，一般的なショート・レバレッジ制約付きの投資信託のウェイト変動が時価変動要因とリバランス要因から構成されることを，状態空間モデルを用いて明示的に組み込むことにより，ウェイトひいてはリバランスまで高精度に推定できることを明らかにする．

複数資産からなるポートフォリオのアセット・アロケーションの問題において, 期待リターンとリスクのトレードオフを考慮した平均分散法が使用されてきた. しかし, 期待リターンの推定は困難であり, アウトオブサンプルのパフォーマンスが優れないことなどから, リスクのみに焦点を当てたリスクベースのポートフォリオ構築手法が複数提案されており, 実務を中心に注目されている. 加えて, ポートフォリオを構成する資産変動同士は背後に共通するファクターを持つと考えられ,これらの情報を抽出ために次元削減の手法である主成分分析が応用されている. 本研究では, 量子力学にあらわれるシュレーディンガー方程式を応用したシュレーディンガー主成分分析を用いたリスク分散ポートフォリオとして, シュレーディンガー・リスクパリティポートフォリオを提案する. これによりサンプル点が不等間隔や少数のケースであっても主成分と相互相関が精度良く推定でき, 効率的なリスク分散が可能になると考えられる. 提案手法を既存のリスク分散ポートフォリオと比較し,有効性と課題を検証する.

取引所が提供する手数料体系の1 つとして指値注文者（メイカー）にリベート（報酬）を支払う，メイカー・テイカー制が挙げられる．メイカー・テイカー制を採用した市場では，効率的な市場形成が見込まれるため，他の取引所に対して取引シェアの向上が期待できるとされているが，取引シェアについてはまだ十分な議論がなされていない．そこで本研究では，メイカー・テイカー制を採用した市場と採用していない２つの人工市場を構築し，市場間での取引シェアの変化の様子を調査した．その結果，取引所がリベートを十分に提供した場合，メイカー・テイカー制を採用した市場の取引シェアが向上することが確認できた．しかし，リベートを十分に提供できていない場合，メイカー・テイカー制を採用していない市場に取引シェアが奪われることも確認できた．

通常の相関係数は要素間の相関はわかるが、その因果関係を含めた方向性まではわからない。ところがVC 相関を用いると、その要素間の相関とともにその方向性まで推定することができる。これまで、このVC 相関を金融やその他分野に応用してきた。日米株式相関・為替レートの間の方向性、日中と夜間の収益率の相関、また金融以外への応用として遺伝子制御関係の推定にもこのVC 相関を応用した。最新の財務データへの応用も含めて、VC 相関のメトリックとして優れた点と展望を検証する。

リードラグ効果は、金融市場のいたるところで観察され、特に高頻度データを用いた投資戦略を策定する上で重要な要因である。一方で、Lead-Lag 効果を推定するために、次の3 つの課題が存在する。(1) 高頻度データにおいては、2 つの時系列が常に同時に観測できるとは限らない(非同期)。(2) 高頻度データのサイズは大きく、応用のためには短期間で推定を完了する必要がある。(3)Lead-Lag 効果は時変的であり、かつ短期間しか持続せず、しばしば外部要因の影響を受ける。本研究では、これらの課題をすべて解決する、新しいLead-Lag 効果の推定量(NAPLES:Negative AndPositive lead-lag EStimator) を提案する。人工データセットと実際の金融市場のデータセットを用いた実験の結果、NAPLES は、重要なマクロ経済のアナウンス(外部要因) によって引き起こされたものを含め、Lead-Lag 効果と強い相関関係が確認できた。

A lifetime of limit order is defined as the elapsed time from appear (submission) to disappear (cancellation or execution). Lifetime is a key of decision-making of traders because traders submit an order based on the trade-off between execution cost (how much price will be executed at) and delay risk (how long does it takes to be executed) and execution lifetime means the waiting time to execution and cancellation lifetime means the limit time of patience. Therefore, recovering power-law distribution of lifetimes of orders by an agent-based model (ABM) is a benchmark of time related decision-making of agents and contributes to constructing more advanced models. In this study, we created an ABM reproducing both of cancellation and execution lifetime distributions by extending our previous ABM doing only the distribution of cancelled orders.

Predicting the movement of stock price is an important issue for market participants. Recently, there have been many attempts applying machine learning techniques in financial time series prediction. However, overfitting presents a huge challenge when machine learning approaches are used in financial time series prediction. In this paper, we propose a stock price prediction method utilizing limit order book data from stocks other than target stocks by stratifying the data and holding a multi-phase pre-training considering market liquidity. Experimental results shows that the proposed approach enhances prediction performance.

Recently, many researchers have studied foreign exchange trading using technical analysis. However, it is difficult to achieve profitability using this technique. Therefore, using Genetic Network Programming, we construct a model that considers the technical index signal strength for devising a profitable trading strategy. Finally, we confirmed the effectiveness of our model using historical data of the exchange market.

近年では株価データと他のデータを組み合わせたマルチモーダル学習が頻繁に行われている．しかし，複数の情報源からそれぞれ特徴量ベクトルを作成した後，それらを単純に連結させたベクトルを用いて予測するのでは，情報源間の共起関係が十分に考慮されないという問題があった．このような問題に対して，高次元テンソルを用いて対処しようとする研究がされている．本研究はそれらの研究を発展させることで，複数の情報源を使ったときに，株式価格の変動をより精度よく予測するためのテンソルを用いたマルチモーダル学習フレームワークを提案する．そして，３種類の情報源としてトムソン・ロイター社が発信した記事，トムソン・ロイター市場心理指数（TRMI）のセンチメントデータ，ニューヨーク証券取引所の株価データを用いて評価実験を行った．その結果，一日後の株価の予測・残差リターンの正負を予測する実験において，提案手法により予測性能の有意な改善が見られた．

Deep Hedgingは、深層学習を用いて、不完全市場でのオプションの最適ヘッジ戦略を計算する汎用的な枠組みである。しかし、最適ヘッジ戦略は過去のヘッジ行動に依存するため、訓練が難しい。この課題を解決するため、我々は、No-Transaction Band 戦略のアイデアを活用する。No-Transaction Band 戦略は、指数型効用関数のもとでヨーロピアン・オプションをヘッジする最適戦略として知られる。我々は、この戦略がより一般の効用関数・エキゾチックを含む幅広いオプションに対しても最適ヘッジであることを証明する。この結果に基づき、我々はNo-TransactionBand ネットワークを提案する。このネットワークは、過去のヘッジ行動をニューラルネットのインプットに使用せず、No-Transaction Band を出力する。そのため、高速な訓練が可能となり、かつ理論的結果により最適ヘッジ戦略をより正確に求めることが期待できる。数値実験の結果、ヨーロピアン・オプションおよびルックバック・オプションに対し、我々のネットワークが通常の順伝播型ニューラルネットより高速に、より優れたヘッジ戦略を実現することを示した。