オーダーブックインバランスとリターンには正の相関があることが知られている．この特性は高頻度取引（HFT）にも有用であると考えられている．そこで本研究ではオーダーブックインバランスを考慮したHFT モデルを提案し，いくつかの市場パターンにおいて本モデルがどのような影響を受けるのか検証を試みた．その結果，市場が安定しているときはポジションマーケットメイク戦略型HFT より安定的に高いパフォーマンスを示す一方，フラッシュクラッシュのような市場が一時的に大きく不安定になるときや見せ玉のような相場操作によって市場が歪められたときはポジション戦略型HFT よりパフォーマンスが悪化する傾向を示すことがわかった．

指値注文者（メイカー）側にリベート（負の売買手数料）を支払い，成行注文者（テイカー）側から手数料を取る，メイカー・テイカー制と呼ばれる手数料体系を採用する取引所が米国を中心として増えている．メイカー・テイカー制は，リベートを用いてメイカーの参入を促すことで指値注文を増やし，市場の流動性を向上させることで取引量を増加させると言われているからである． メイカー・テイカー制を採用した市場を利用し裁定取引を行う場合，メイカー・テイカー制を採用した市場に指値注文を行うことにより利ざやとは別にリベートでも利益を得ることができるため，通常より容易に期待する利益を上げられると考えられる．しかし，指値注文を受けたメイカー・テイカー制を採用した市場と，成行注文によって注文を消費されるその他の市場がどのような影響を受けるかははっきりと分かっていない．裁定取引を行うことで市場に負の影響を与えれば通常より利益を得る機会を損失する可能性もある．そこで本研究では人工市場を用いて，メイカー・テイカー制を採用した市場が提供するリベートの額を変化させ，メイカー・テイカー制を利用して行った裁定取引で発生した損益の確認を行った．また，それぞれの市場のボラティリティを測定し市場への影響も確認した．その結果，裁定取引での利益の向上が確認できた．ボラティリティについては指値注文を受けたメイカー・テイカー制を採用した市場では減少し，成行注文を受けたメイカー・テイカー制を採用していない市場では増加することが確認できた．

In stock markets, it is often argued that increased liquidity contributes to the public benefit of the market as a whole, but it is not self-evident. In this study, we analyze the impact of increasing market liquidity on traders' utility mathematically. We calculate an exact solution of an average expected utility for one trader by using a simple model in which we assume orders follow independent uniform distributions. However, even when we assume a more complicated model where orders interact with each other, we obtain the result consistent with the first simple model in the limit of infinite number of orders. Also, we define a balance price on the order book, and we analyze the behavior of the balance price.

In addition to the need for electricity consumers to take into account the complex behavior of the electricity market as a result of electricity deregulation, CO2 emissions from economic activities have also become an issue in response to recent calls for decarbonization, making the electricity procurement environment increasingly complex. In this study, we focus on electricity procurement by a factory as a large consumer in such a complicated electricity sector. We have conducted simulation experiments and evaluations using an electricity market multi-agent model for several scenarios, focusing on the benefits to the demand side of demand response (DR), which is attracting attention as a means of stabilizing supply and demand in the electricity system, in terms of cost and CO2 emission reduction effects. The results show the effectiveness of DR that takes into account the characteristics of the season and time of day, and the effectiveness of demand shifting that utilizes out-of-service hours.

Financial market microstructure has been scrutinised by utilising the high-frequency order-book data these days. In this talk, we report our preliminary data-analytical results on the persistence of the order flows (called the long-range correlation (LRC) in the literature) from microscopic dynamics. Empirically, the order flow is known to exhibit the persistence: i.e., the future order sign is strongly correlated with the historical sign sequence for a long time. This intrinstic character of financial markets have been a debatable issue in terms of its microscopic origin. One of the microscopic hypotheses to explain this LRC is the ordersplitting behaviour at the level of individual traders. We have carefully tested this microscopic hypothesis through microscopic data analysis of a large dataset in the Tokyo Stock Exchange, particularly from the viewpoint of the direct validation of the Lillo-Mike-Farmer model.

Deep Hedging, which uses deep learning and price time-series simulations to optimize option hedging, has recently been in the spotlight because it enables more realistic hedging that can take into account frictions such as transaction fees (imperfect market). However, the situation of hedging an option by other options has never been addressed by deep hedging because of its simulation difficulties. In that situation, pricing for tradable options should also be performed via deep hedging in simulations for realizing imperfect market simulations, which has required unrealizable enormous computational resources because of the nested architecture of deep hedging. Thus, in this study, we proposed a new deep-hedging mechanism for learning hedging strategies under such a nested situation. As a result, we showed better hedging via proposed deep hedging with multiple tradable options.

In recent years, research on stock trading and foreign exchange trading using technical analysis has been vigorously conducted. In the research on investment strategies using technical analysis, it is popular to construct trading strategies using deep reinforcement learning and neural networks. However, trading strategies constructed by these methods cannot be interpreted because they are not algorithms that take interpretability into account. Therefore, it is difficult to analyze the reasons for the actual trades. In this study, we propose a new algorithm, Weighted Genetic Network Programming, which is an improvement of Full Range Genetic Network Programming, one of the evolutionary computation methods. We propose a new algorithm, Weighted Genetic Network Programming, which is a modification of Full Range Genetic Network Programming, one of the evolutionary computation methods.

In recent years, research on financial transactions using deep reinforcement learning, which is one of machine learning, has been actively conducted. In these studies, various approaches have been taken, such as those that consider the number of financial instruments bought and sold, compound interest calculation, and those that use stock price charts for input, but enough profit has not been made in all periods. It is considered that this is because the opportunity loss cannot be taken into consideration. Therefore, in this study, we build a model to learn the optimal buying and selling timings to make a profit in stock investment by incorporating the opportunity loss for each action into the reward in deep reinforcement learning, and show its effectiveness.

本論文では時系列を考慮したニューラルネットワークを用いることでより性能のよい金融取引戦略を獲得する複利型深層強化学習の方法を提案する。従来研究では全結合層のみから特徴を抽出しており、それより過去の情報は前日のテクニカル変数のみでしか反映されていない。そこで本論文では時系列データを学習することのできるLSTM やCNN を用いてより過去の情報を考慮した特徴から金融取引戦略を獲得する。また、TOPIX を対象とした取引に提案手法を適用し、その有効性を確認する。

In the past few years, there has been a growing interest in cryptocurrencies. However, the risk of incurring losses is high due to the large price fluctuations. Therefore, we want to reduce this risk by predicting the rise and fall of these prices. In this study, we use a convolutional neural network model trained on candlestick charts to make price predictions. In this experiment, the system was trained on the image pattern data of a set of five candlesticks, and predicted whether the price would go up or down. The model trained on the data from 1-minute intervals gave the best prediction accuracy.

For traders, it is important to minimize execution costs and achieve more efficient order execution. Since the mechanisms for incurring costs are unclear, being able to properly account for them will lead to lower execution costs and higher revenues. In order to achieve order execution with minimal costs, methods that model and infer market principles have been used. In recent years, model-free offline reinforcement learning methods have widely been utilized. However, the data on financial instruments contains a lot of noise, which makes learning hard and makes it difficult to converge to the optimal trading method. In this paper, we propose an optimal order execution method that improves performance by imposing constraints on the model. Through experiments, we have found that by imposing appropriate constraints, we can improve the performance of the optimal order execution method. We show that by setting appropriate constraints, we can achieve improved order execution compared to conventional methods.

近年，機械学習の金融分野における活用が注目されており，関連する研究が多くなされている．一方，機械学習の不安定性，とりわけ乱数による影響に関する懸念も，金融以外の分野では指摘されている．上記状況を踏まえ，本研究では，株式リターン予測に機械学習を用いた場合，どの程度乱数の影響を受けるのか調べた．その結果，乱数を変えるだけで大きく運用シミュレーションのパフォーマンス(シャープレシオ) が変わり，全く異なる結果となることが分かった．すなわち，単純に機械学習を用いることは非常に危険であり，予測への機械学習活用には注意が必要であることが示唆される．一方で，方向適合率は比較的乱数の影響が小さく，すべての性質に対して乱数依存性が大きいわけではないことも分かった．このような比較的安定的な性質をうまく活用した，より安定性のある結果を得る方法の模索や，不安定であっても全体的に高いパフォーマンスを常に示すようなより予測力の高いファクターを見つけることが，株式リターン予測に対する機械学習活用への足掛かりとなるのではないかと考えられる．

資産運用では取引コストを抑えるために長期の運用が望ましいが，機械学習において長期の時間情報を学習する場合，学習データ数の不足により充分な学習精度を得ることが難しい．そこで本研究では金融市場の自己アファインフラクタル性に着眼し，短時間情報から様々な時間スケールのデータを複製し，オートエンコーダーの学習および異常検知に活用する．検知された異常株価を投資家心理によるミスプライスとみなし，過大反応に対してはリバーサル，過小反応に対してはモメンタムを想定した運用ポートフォリオを構築する．単一時間スケールの情報のみをオートエンコーダの学習に用いた場合と比較して，複数時間スケールの複製情報を併用した方が学習精度や運用成績を改善できることを確認した．

There are three main factors known to exist in the foreign exchange market: carry, value, and trend, but the effectiveness of these factors is temporally changed by global market conditions. In this research, we extract latent factors from foreign exchange rates by a data-driven approach using the autoencoder. Then, we evaluate the possibility of market mispricing by the concept of anomaly detection, considering the exchange rate restored by the autoencoder as the theoretical value expressed by the factor-risk premiums. Moreover, assuming that the misprice is immediately modified into the reasonable value, we construct a portfolio of multiple currency pairs based on the modification process of mispricing. As a result, we confirmed the possibility of obtaining the excess return (i.e., alpha) as in the stock portfolio management.

本研究では，ニューラルネットワークを使用した時系列データの生成手法を提案する．株価のような現実の金融市場における時系列データは不規則にサンプリングされる場合が多く，更にそのノイズ構造は独立同分布やBrown 運動（正規分布）よりも複雑であると言われている．このような特性を持つ時系列データを生成するために，Brown 運動をベースとしたNeural Stochastic DifferentialEquation（SDE）モデルを拡張・一般化し，長期記憶特性を示すHurst 指数が半分より大きい非整数階Brown 運動に基づくNeural Fractional SDE-Net（fSDE-Net）を提案する．また，理論的にはfSDE-Netの数値解析手法を確立し，fSDE-Net の解の存在と一意性を示す． 更に，人工データと実データを用いた実証分析を行い，fSDE-Net モデルが時系列データのHurst 指数などの分布特性をうまく複製できることを示す．

Federated Learning はデータのプライバシーを保護しながら，複数の計算参加者が協調して機械学習モデルを訓練する技術である．各計算参加者が保有する素のデータをお互いに公開せず，素のデータを秘匿した状態でモデルを学習できることが特徴であり，金融などのプライバシー保護が特に求められる領域での活用が期待されている．Federated Learning を金融領域に適用した研究は既に行われている一方で，実際の金融機関のデータを用いて有用性を検証した研究は少ない．本稿では金融機関の実業務データを使用し，ローンのデフォルト予測にFederatedLearning を適用した結果を報告する．

In the EC logistics business, which ships products upon receiving orders from customers via the Internet, determining the products to be handled and their inclusion ratios are a fundamental problem to be solved to increase the expected profit. It is difficult to find a good solution in a finite time because the number of products handled in EC is more than several million and the number of combinations increases explosively in the order of nth power. We formulated this problem as a portfolio optimization problem and tested whether it is possible to find an optimal or good solution using Markowitz's mean-variance model. The motivation for applying the mean-variance model, which is usually used for diversified investment in stocks, to EC logistics is that the model is very simple because it is obtained by the expected value and its variance, and it is easy to apply to the modeling of indicators such as sales and inventory cost in EC logistics. In logistics, it is easier to control inventory management and logistics costs if demand fluctuations are mitigated and leveled out as much as possible. The mean-variance model, which considers fluctuations as risks, is easy to apply to EC logistics because fluctuations tend to lead to higher costs. In this study, we constructed a mean-variance model of sales and inventory turnover using actual EC logistics data, and confirmed the effectiveness of the method for determining a preferred product portfolio from both EC and logistics perspectives.

本研究では，昨今の気候変動リスク，及びCO₂ （二酸化炭素）を中心とした温室効果ガス排出への関心の高まりを踏まえ，マクロ経済活動とCO₂排出量の関係性を検証した．はじめに，構造的な環境変化の影響を緩和するめの処理を施すことで，CO₂排出量の変化率と経済成長率の間に正の相関関係が維持されていることを確認した．更に本研究では，人工衛星（GOSAT，温室効果ガス観測技術衛星いぶき）の観測情報を用いて計測された地域別のCO₂濃度の情報を用いることで，速報性の高いマクロ経済状況の把握手法を提案した．その際，従来用いられていた速報性の高い消費関連データに加えて，個別企業等の特殊要因の影響を受けにくい衛星観測情報に基づくCO₂データの推計値をモデルの特徴量として活用することで，コロナ禍においても安定したマクロ経済の動態把握が行えることを確認した．

近年，局地的大雨の事象は年々増加し，水災害により甚大な経済的ダメージを被る事例が増えている．特に，被災地では当座の生活における安定的な決済手段が必要であり，これまでは現金決済が最も有用な手段の一つと考えられてきた．しかし，現在は，国内でキャッシュレス決済が推進され，都心部を中心に現金決済の比率が減少傾向であり，災害時における現金需要の行動様式にも変化をもたらす可能性が考えられる．このため，本研究では，自然災害のうち大雨の事例にフォーカスし，降雨情報（国土交通省のXRAIN）と金融情報（銀行ATM 統計情報）の異分野データを互いの位置情報を利用して融合する新たな手法により，降雨発生時における現金需要の動向を分析した．

本稿では，船舶自動識別装置（AIS）データを用いて，主要自動車メーカーの輸出台数や日本の輸出数量をナウキャスティングする手法を提案する．具体的には，自動車運搬船の特定が比較的容易であることから，まず各自動車メーカーが利用する埠頭における船舶データを用いて，個社ベースの自動車輸出を予測する．次に，全国の主要港湾から広範な船舶データを収集しフィルタリングを行ったうえで，先の自動車輸出予測と組み合わせて，日本の輸出数量を予測する．提案手法は，個社ベースの輸出予測において一定の精度を達成したほか，日本の輸出数量予測においても財務省の速報統計と比較してより高い精度をもたらした．

本研究では，テキストマイニング技術を用いた中央銀行の金融政策変更を予測するフレームワークを提案する．中央銀行による金融政策の変更は為替市場や株式市場，国債市場などにも影響を与えることから，企業や銀行は金融政策変更の予兆を捉えようと試みているが，中央銀行によって公開される情報の量が限られることから非常に困難である．そこで，我々はテキストマイニング技術を用いて，金融政策変更の予兆に関する情報をニュース記事から抽出することを試みる．この問題を解決するために，我々は因果関係に基づく金融政策変更を予測する新たなフレームワークを提案する．本フレームワークはトピックモデル，機械学習に基づく文選択，機械学習に基づく期待値予測から構成される．

近年，個人投資家の数は増加している．個人投資家にとって投資をする判断材料として，日経平均株価の動向，株価が上昇下降した銘柄，どのような株価の変動要因があったといった情報が重要になる．これを端的に表しているのが日経平均市況の概況について言及した記事になる．この日経平均市況概況記事の情報は，投資経験の少ない個人投資家はもちろんのこと，投資経験の多い投資家にとっても投資の判断材料として一番身近な情報で需要が高いといえる．しかし，作成にあたって日経平均株価の動向，変動した企業の情報等、多くの情報を参照する必要があるうえに，取引日ごとに掲載するため，人手で作成するには多くの時間と労力が必要になる．そこで，本研究では，株価データと決算短信から株式市場の動向，株価の変動要因となる事業，製品，社会背景等を投資テーマとして抽出することで，日経平均市況概況記事を自動的に生成することを目的とする．具体的には，株価データから大きく変動した企業群を抽出し，各企業の決算短信から抽出したキーワードを基にクラスタリングによる絞り込みを行う．絞り込みを行った企業群の各キーワードをスコア化し投資テーマとして抽出する．株価データと投資テーマを基に日経平均市況概況記事の自動生成を行う．

金融機関の取引データを活用すると，企業の活動をリアルタイムで把握することが可能である．これらのデータを有効活用すれば与信管理をはじめ，CRM 等にも活用使途が見出せる．一方，主要な取引先以外の企業については取引量が少ない等，データ活用上は注意を要する．すなわち，潜在的な取引を見逃している可能性がある．本問題に対し，取引主体をノード，取引有無をエッジとした企業間ネットワークを構成すれば，取引有無の予測は本ネットワーク上のリンク予測問題として定式化できる．昨今のグラフ上の深層学習の進展に伴い，より精度の高いリンク予測が可能となった．本研究では，最近のグラフ深層学習手法を使った潜在的な取引予測について紹介する．

本研究では決算短信や有価証券報告書を用い，言語モデルのBERT とELECTRA について，事前学習や追加で事前学習(追加事前学習) を行いモデルを構築する．構築したモデルについて，金融ドメインのタスクによって汎用コーパスを用いたモデルとの性能を比較する．その際，ファインチューニングを行う層の数などパラメーターによる性能についても比較を行う．構築した一部のモデルについては一般に公開する．

In this report, we attempt to evaluate the content of Japanese integrated reports issued by Japanese companies by textual analysis. We propose a simple evaluation model for Japanese integrated reports based on word2vec. Based on the observation of evaluation scores by the model, it is confirmed that the average quality of contents of Japanese integrated reports has been improving year by year. Furthermore, the level and the difference from the previous year of the scores show consistent relationship with the results of existing external evaluations by professional investors.

投資や融資の分野において，各企業が公開するESG の情報が重要な判断材料となり始めている．しかし，今日の日本のESG 情報開示は基準やフォーマットが統一されていないため，企業間のESG 情報を統一された指標で比較することには時間と労力を要する．ここで，企業が公開するオープンデータを，既存のESG 情報を開示する枠組みに則って整理することができれば，投融資におけるESG リスクの判断をより迅速かつ正確に行うことができる．そこで，本研究では，企業が公開しているESG に関連する文章をESG 情報開示枠組みの1 つであるGRI スタンダード（Global Reporting Initiative standards）に則って分類するモデルを作成する．具体的には，まず，企業が公開するGRI スタンダード対照表と，これらに紐づけられた統合報告書やWebページを基にアノテーションを行うことでESG 文章のデータセットを作成する．次に，日本語に特化した独自のBERT を基にファインチューニングを行うことで，GRI スタンダードに準拠した分類モデルを構築する．このとき，GRI スタンダードは項目が複数の粒度で枝分かれしているため，分類する粒度を変えた2 つのモデルを併用する手法を提案する．

Given the voluntary nature of environmental, social, and governance (ESG)-related information disclosure in Japan, we use a sample of TOPIX firms from 2011 to 2019 to examine the relevance of internal and external corporate governance factors and ESG-related information disclosure for Japanese companies. For the internal governance factors, the results of the logistic regression analysis show that variables such as board independence and board activity significantly influence a company's ESG disclosure strategy, whereas the results of the generalized additive 2 model show that the internal governance variables are relatively less important than the external governance variables such as share ownership structure. For the external governance factors, the logistic regression results show that all the explanatory variables are significant. Although the results from the generalized additive 2 model are generally similar, non-linear relationships for institutional ownership and the Government Pension Investment Fund are also found. These empirical results suggest that the development of corporate governance frameworks such as Japan's Stewardship Code and Corporate Governance Code influences firms' ESG disclosure strategy and encourages them to disclose ESG-related information. This study provides new insights into the relationship between corporate governance and ESG-related information disclosure practices in Japanese companies.

Regarding ESG investments, which is one of the investment methods to evaluates cooperate environmental efforts, are becoming the minimum requirement for business. Information disclosure regarding Carbon Net-Zero society has led to the trust of the market and has begun to be directly linked to corporate value. Therefore, in this study, we visualized the relative progress of each decarbonized topic in each country. Specifically, we extracted articles related to decarbonization from about 40 million articles over the past three years, clustered BERT embedding vectors for those articles, and extracted characteristic words for each cluster by using c-TF-IDF. From this study, we found that decarbonization efforts are contrasting in Europe, the United States, China, and Japan. In Japan, we found that although the fields of "fuel ammonia" and "carbon dioxide capture and storage (CCS)" are attracting attention internationally and are leading in technology, they are inferior to other countries in terms of policy and regulation.

近年ESG という言葉が急速に普及し、企業は企業の長期的な成長に影響するESG 活動という環境や社会に配慮した活動を求められるようになった。そこで従来の投資手法である売上高や利益などの財務指標のみを重要視した投資手法ではなく、ESG への取り組みという非財務情報の要素も考慮した経営を行う企業に投資する、「ESG 投資」が台頭してきている。本研究では、実際に企業が行っているESG 活動の動向や実績などの記事をロイターニュース記事から取得し、どの企業に投資するのがよいのかという判断材料を作ることが目的となる。具体的には、ロイター記事に対してアノテーションを行いロイター記事データセットを作成し、作成したデータセットに対してBERT のファインチューニングを行い、ESG の文章分類を行うことでESG 関連文の抽出を行った。その結果、BERT のファインチューニングモデルは高い性能を発揮した。またSHAP 値による判断根拠となる単語を可視化したことでモデルの有効性を示せたとともに、重要語の抽出が行えた。

Fund managers at investment trust management companies make investment policy decisions by referring to the results of research on candidate companies for investment compiled by analysts. However, when there are many candidate companies, it is necessary to refer to a considerable number of reports, which is considered dificult to read carefully. Therefore, technology is required to (1) accurately determine the business sentiment of the companies concerned and (2) extract important information for investment decisions from the contents of the reports. In this study, we developed a machine learning model that predicts the rating, which is a rating index for investment decisions, in order to support the work of fund managers, especially for the requirement (1). There are two types of ratings that afiect investment decisions: outperform and underperform. Since the number of cases that fall into these two categories is small compared to other ratings, we attempted to expand the data of documents that give the same rating. As an existing data expansion method, there is a method to expand data by synonyms that can be obtained from WordNet. In this study, we propose a method to expand data based on the frequency of occurrence in financial documents. As a result of experiments, we verified the efiectiveness of the proposed data expansion method.

本研究では，債券市場を対象とした金融極性辞書の自動構築手法を提案する．これまでに株式市場に特化した金融極性辞書の研究は行われているが，債券市場には対応できていない．そこで，本研究では債券市場を対象とし，語の前後関係まで拡張した文字列を収録した金融極性辞書の自動構築手法を考案した．さらに，自動構築した金融極性辞書の一部を学習データとし，文中の形態素にタグを付与するモデルを活用することによって新たな表現を獲得し，金融極性辞書の拡張を行う．

本研究では, アナリストの個別銘柄に対するセンチメントが, 株式市場分析に役立つかを実証する. これはアナリストレポートに自然言語処理を使用して極性指標を作成することで実現可能となる. 本研究では, 作成した極性指標に対し, 異常検知アルゴリズムを用いて異常スコアを算出した. 結果, 本研究で提案した手法が極性指標の転換点検出において有効であることが分かった.