本研究は､ECｻｲﾄにおける動的価格設定が顧客の購買行動に与える影響を､ﾏﾙﾁｴｰｼﾞｪﾝﾄ･ｼﾐｭﾚｰｼｮﾝを用いて分析するものである｡特に､購入商品の多様性､購入期間の長さ､定期的な購入ﾊﾟﾀｰﾝを指標として顧客をｾｸﾞﾒﾝﾃｰｼｮﾝし､それぞれのｾｸﾞﾒﾝﾄが価格変更にどのように反応するかを調査する｡仮説として､購入商品の多様性があってﾎﾟｰﾄﾌｫﾘｵが厚く､長期で定期的に購入している顧客は､価格変更特に値上げに対して耐性があり､離反が少ないと考える｡本研究ではｴｰｼﾞｪﾝﾄﾍﾞｰｽのﾓﾃﾞﾘﾝｸﾞを用いて､各顧客ｾｸﾞﾒﾝﾄの行動ﾓﾃﾞﾙを構築し､動的価格設定ｼﾅﾘｵをｼﾐｭﾚｰﾄする方法を提案する｡提案手法により､ECｻｲﾄ運営者は価格戦略の最適化に向けた具体的な指針を得ることができ､顧客ﾛｲﾔﾙﾃｨの向上と収益の最大化が可能となる｡

証券取引所は､市場安定化のため価格の急変動を抑えるための規制を加えることがある.現在の市場価格から大きく離れた価格の注文を出せないようにする値幅制限や市場価格が急変動した際一定期間注文を受け付けないｻｰｷｯﾄﾌﾞﾚｰｶｰがあるが,どちらを導入すべきか多くの議論がある.そこで本研究では人工市場を用いていくつかの下落ﾊﾟﾀｰﾝを想定し,値幅制限とｻｰｷｯﾄﾌﾞﾚｰｶｰ導入時の下落幅と市場効率性の比較を行った.その結果,誤発注による下落の場合,下落幅と市場効率性は共にｻｰｷｯﾄﾌﾞﾚｰｶｰが高い効果を示した.一方,ﾌｧﾝﾀﾞﾒﾝﾀﾙ価格下落の場合,下落を抑えられるのはｻｰｷｯﾄﾌﾞﾚｰｶｰだが,市場効率性が高くなるのは値幅制限であることが分かった.

個人投資家を中心にﾚﾊﾞﾚｯｼﾞﾄﾞETFへの投資が増えている.ﾚﾊﾞﾚｯｼﾞﾄﾞETFとは日経平均株価などの指数の何倍かの価格変動をする上場投資信託である.ﾚﾊﾞﾚｯｼﾞﾄﾞETFは上場しており,先物とは別に取引されているが,ﾚﾊﾞﾚｯｼﾞﾄﾞETFの下落が先物市場にどのような影響を与えるかなどは分かっていない.そこで本研究ではﾚﾊﾞﾚｯｼﾞﾄﾞETF自身が取引される取引所と誤発注が実装された人工市場を構築し,ﾚﾊﾞﾚｯｼﾞﾄﾞETFと先物の市場のどちらかで急落が起きたときに,他方の市場にどのような影響を与えるか調べた.その結果,ﾚﾊﾞﾚｯｼﾞﾄﾞETFに誤発注があった場合,裁定取引のおかげでﾚﾊﾞﾚｯｼﾞﾄﾞETFは先物の流動性を使うことができ,下落幅が縮小した.先物に誤発注があった場合も裁定取引のおかげで先物はﾚﾊﾞﾚｯｼﾞﾄﾞETFの流動性を使うことができ,下落幅が縮小したが,縮小幅はﾚﾊﾞﾚｯｼﾞﾄﾞETFに誤発注があった場合より小さい.先物から見ると少ない流動性のﾚﾊﾞﾚｯｼﾞﾄﾞETFからもらえる流動性は比較的少ないからである.ﾚﾊﾞﾚｯｼﾞﾄﾞETFを取引している投資家からみると,先物の高い流動性の恩恵は大きいが,先物を取引している投資家からすると,ﾚﾊﾞﾚｯｼﾞﾄﾞETFの流動性から受けられる恩恵は大きくないことが分かった.一方で,ﾚﾊﾞﾚｯｼﾞﾄﾞETFのﾘﾊﾞﾗﾝｽ取引により下落幅が大きくなることも分かった.ﾘﾊﾞﾗﾝｽ時にﾎﾞﾗﾃｨﾘﾃｨより大きいﾏｰｹｯﾄｲﾝﾊﾟｸﾄを与えると,そのｲﾝﾊﾟｸﾄによる価格変動で追加のﾘﾊﾞﾗﾝｽが必要となり,そのﾘﾊﾞﾗﾝｽがまた次のﾘﾊﾞﾗﾝｽを必要としﾙｰﾌﾟが止まらなくなることを示した先行研究と整合的である.

ﾚﾊﾞﾚｯｼﾞﾄﾞETFは,日経平均株価指数先物など指数と連動する先物を保有して指数の何倍かの価格変動を実現している上場投資信託である.ﾚﾊﾞﾚｯｼﾞﾄﾞETF(先物)の価格が下落した場合,それらの市場間での裁定取引によってﾚﾊﾞﾚｯｼﾞﾄﾞETF(先物)は先物(ﾚﾊﾞﾚｯｼﾞﾄﾞETF)の流動性を使い下落幅を抑えることが人工市場を用いた研究でわかっている.しかし,裁定取引がこれらの市場の流動性について与える影響については調べられていない.そこで本研究ではﾚﾊﾞﾚｯｼﾞﾄﾞETFと先物の市場のどちらかで価格急落が起きたときに,裁定取引の有無による各市場の流動性の違いを人工市場ｼﾐｭﾚｰｼｮﾝを用いて調査した.

人工市場ｼﾐｭﾚｰｼｮﾝを用いて株価ﾘﾀｰﾝの分布がﾌｧｯﾄﾃｰﾙになるﾒｶﾆｽﾞﾑを分析する.伝統的金融工学理論では,株価のﾘﾀｰﾝ分布に正規分布を仮定する場合があるが,現実にはﾘﾀｰﾝの裾野は冪分布のように振る舞うことが知られる.これまで,行動経済学や経済物理学を中心に,株価ﾘﾀｰﾝに冪分布が出現するﾒｶﾆｽﾞﾑについて,いくつかの要因が指摘されてきた.しかし,複数の要因を同時にﾓﾃﾞﾙ化し,相互作用の在り方を調べた研究はまだない.本研究では,人工市場ｼﾐｭﾚｰｼｮﾝと,最適輸送による定量評価を組み合わせた対照実験により,株価ﾘﾀｰﾝの冪分布の生成ﾒｶﾆｽﾞﾑに関する仮説検証を行う.具体的には,1)需要ｻｲｽﾞの冪分布,2)価格の情報効果,3)群衆行動の三要素をｴｰｼﾞｪﾝﾄﾓﾃﾞﾙ上に位置付け,各要素をﾓﾃﾞﾙに追加する設定としない設定での8 (=2^3)種類のｼﾐｭﾚｰｼｮﾝを実施する.各ｼﾐｭﾚｰｼｮﾝ結果からﾘﾀｰﾝ分布の裾野の点群を収集し,実ﾃﾞｰﾀから収集した点群との最適輸送距離を測定することで,三要素のそれぞれがどれだけｼﾐｭﾚｰｼｮﾝを現実に近づけるのに寄与しているかを定量化する.提案した最適輸送による実/合成ﾃﾞｰﾀの定量評価手法は,金融ﾃﾞｰﾀ合成ﾓﾃﾞﾙの評価へと応用可能である.また,複数の要素が同時にﾓﾃﾞﾙに追加された場合と,単独で追加された場合の冪指数の推定値を比べることにより,要素間の相互作用の存在を調べる.実験結果より,高頻度領域においては価格の情報効果が冪分布を生成する上で支配的な役割を果たしていることと,需要ｻｲｽﾞの冪分布と価格の情報効果との間に相乗効果が存在することが明らかになった.

本研究では､企業のｳｪﾌﾞｻｲﾄ上のESG情報の効率的な収集手法を提案する｡ESG情報は投資判断や企業評価において極めて重要な情報であるが､ESG情報自体が多岐に渡り､企業のHPや統合報告書等､多くの場所に分散している｡そのため､ESG情報の収集には多くの時間が必要になるとともに､包括的な収集が困難であるという課題が存在する｡そこで､本研究では機械学習を活用し､当該課題に対処するための次の二つの問題に取り組む｡まず､企業HPのURLからESG情報の存在の有無を二値分類する問題に取り組む｡次に､ESG情報が存在すると判定されたｳｪﾌﾞｻｲﾄ本文から､実際にESG情報が含まれるかを判定する問題に取り組む｡前者の二値分類問題においてはF1ｽｺｱ0.924を達成し､後者の本文判定問題においてはF1ｽｺｱ0.986を達成した｡これらの結果は､機械学習を用いることでESG情報の効率的かつ広範な取得が可能であることを示している｡

近年､様々な企業で環境やﾀﾞｲﾊﾞｰｼﾃｨ等に配慮し持続可能な社会を目指す試みが実践されている｡そのような試みの具体的な指針としてESG(Environment,Social,Governance)が挙げられる｡企業のESGに関する取り組みは企業が発行している統合報告書に記述がある｡しかし､統合報告書を発行していない企業もあるため､多くの企業におけるESGに関する取り組みを収集するには企業WEBｻｲﾄから収集する必要がある｡そこで本研究では企業WEBｻｲﾄからその企業におけるESGの方針･取り組みに関する情報を自動的に抽出することを目的とする｡具体的には､日経NEEDSが提供している｢日経ESGﾃﾞｰﾀ｣を学習ﾃﾞｰﾀとして企業WEBｻｲﾄからT5によりESGの方針･取り組みに関する情報を抽出し､抽出された情報を｢GHG排出量の削減目標｣や｢廃棄物に関する方針｣などの15ｸﾗｽに自動的に分類した｡

本研究では,統合報告書やｻｽﾃﾅﾋﾞﾘﾃｨ報告書などの文書からESG(環境･社会･ｶﾞﾊﾞﾅﾝｽ)関連情報を抽出し評価する手法を提案する.具体的には,大規模言語ﾓﾃﾞﾙ(LLM)を用いたRAG(検索拡張生成)ﾌﾟﾛｾｽにおいて,ｸｴﾘ拡張とﾌｨﾙﾀﾘﾝｸﾞの手順を追加することで,情報抽出の精度向上を図った.さらに,RAGの性能評価を客観的な指標に基づいて実施し,その有効性を検証した.

本研究は､複雑な会計基準に対する質問応答ﾀｽｸに対応するための手法を提案する｡会計基準は多くの条文と参照関係を含み､その複雑さゆえに会計専門家以外には理解が困難であるという問題がある｡また､従来の質問応答ﾓﾃﾞﾙでは､会計基準の複雑な参照関係を十分に考慮することが難しく､そのため正確な回答を生成することが困難であった｡そこで本研究では､会計基準の参照関係を効果的に活用し､質問応答ﾓﾃﾞﾙの性能を向上させる｡具体的には､会計基準の参照関係をｸﾞﾗﾌ化し､質問応答ﾓﾃﾞﾙに組み込む手法を提案する｡収益認識に関する会計基準を使用しｸﾞﾗﾌを構築し､会計基準の設例や公認会計士試験の論文式問題を対象に提案手法を事前学習ﾓﾃﾞﾙやRAGﾓﾃﾞﾙとの比較実験を行った｡結果､会計基準ｸﾞﾗﾌの利用が専門的な質問応答ﾀｽｸでの性能向上に効果的であることを示した｡このｱﾌﾟﾛｰﾁは､他の複雑な法規や規制にも適用可能である｡

本研究では､SAR(合成開口ﾚｰﾀﾞｰ)衛星画像を用いて､ﾃｰﾏﾊﾟｰｸの来場者数を推定する手法を検討する｡ﾃｰﾏﾊﾟｰｸの来場者数は､特に投資家やｱﾅﾘｽﾄにとって､企業の業績や消費者需要を評価するための重要な指標である｡来場者数ﾃﾞｰﾀは､収益予測や投資判断に直結するため､ﾘｱﾙﾀｲﾑな情報が求められているが､一般には公開されておらずﾃﾞｰﾀの収集が困難である｡そこで本研究は､SAR衛星画像の高解像度と全天候対応の特性を活かし､ｹｰｽｽﾀﾃﾞｨとして東京ﾃﾞｨｽﾞﾆｰﾘｿﾞｰﾄの敷地内における駐車場を解析し､来場者数を推定する｡また､公表されている来場者数や売上高などとの比較を行い､推定値の有効性を分析する｡

本研究では､Chen et.al (2022) の手法に基づいて､日本企業の財務ﾃﾞｰﾀを用いて､機械学習手法による次期利益の変化方向の予測可能性を検証する｡先行研究では､米国市場において機械学習手法がｱﾅﾘｽﾄ予測を上回る予測ﾊﾟﾌｫｰﾏﾝｽを示しているが､本研究ではこの知見の日本市場への適用可能性を探る｡本研究では､先行研究同様に機械学習手法として非線形性および相互作用を捉えることのできる決定木系のｱﾙｺﾞﾘｽﾞﾑを適用し､予測ﾓﾃﾞﾙを構築する｡予測ﾊﾟﾌｫｰﾏﾝｽの評価には､ROC曲線化面積と､予測に基づくﾍｯｼﾞ･ﾎﾟｰﾄﾌｫﾘｵの異常ﾘﾀｰﾝを用いる｡また､ﾛｼﾞｽﾃｨｯｸ回帰ﾓﾃﾞﾙや経営者予想との比較を行い､機械学習手法の優位性を検証する｡本研究の貢献は､(1)機械学習手法が捉える利益予測における財務情報の非線形性･相互作用の解明､(2)日本市場での会計情報の利益に対する予測力の再評価､(3)効率的市場仮説に対する実証的証拠の提示､の3点にある｡これらの知見は､会計情報の役割に関する理論的な理解を深め､日本市場の投資実務や企業価値評価に新たな視座を提供する｡

金融分野における研究では､ﾃﾞｰﾀの不足がしばしば問題となる｡特に価格の急落局面などの極端な事例について問題は顕著になる｡この制約を受け､金融時系列ﾃﾞｰﾀの合成が注目されている｡近年では深層生成ﾓﾃﾞﾙが合成金融ﾃﾞｰﾀ生成に用いられているが､深層生成ﾓﾃﾞﾙは合成ﾃﾞｰﾀの操作性に課題がある｡深層生成ﾓﾃﾞﾙは学習ﾃﾞｰﾀに適合してﾃﾞｰﾀ生成を行うため､ﾘｽｸ評価において重要である極端事象のｻﾝﾌﾟﾘﾝｸﾞは困難である｡この研究では､従来の金融ﾃﾞｰﾀ合成ﾓﾃﾞﾙの課題である操作性を解決するため､Conditional Financial Diffusion model (CoFinDiff) を提案する｡CoFinDiffは､拡散ﾓﾃﾞﾙを用いて､ｸﾛｽｱﾃﾝｼｮﾝを通じてﾄﾚﾝﾄﾞと実現ﾎﾞﾗﾃｨﾘﾃｨに条件付けられた価格系列を生成する｡実験結果から､CoFinDiffはﾌｧｯﾄﾃｰﾙやﾎﾞﾗﾃｨﾘﾃｨｸﾗｽﾀﾘﾝｸﾞを満たし､かつ価格のﾄﾚﾝﾄﾞや実現ﾎﾞﾗﾃｨﾘﾃｨという二つの条件に従う一分足の株価の価格系列を生成できることが明らかとなった｡

金融工学において､正確なｵﾌﾟｼｮﾝ価格設定は市場のﾀﾞｲﾅﾐｸｽと金融商品の複雑さのために依然として重要な課題です｡本論文では､最近提案されたｺﾙﾓｺﾞﾛﾌ･ｱｰﾉﾙﾄﾞ･ﾈｯﾄﾜｰｸ(KAN)に基づく革新的な手法を紹介します｡この手法は､ｵﾌﾟｼｮﾝ価格設定に広く使用される適応技術である最小二乗ﾓﾝﾃｶﾙﾛ(LSMC)手法を上回るだけでなく､価格ﾓﾃﾞﾙの金融的な意味についても追加の洞察を提供します｡私たちの手法は､価格だけでなくﾃﾞﾙﾀも提供し､価格設定だけでなくﾍｯｼﾞ戦略でも高い精度を実現します｡私たちは､KANが提供する基底関数の柔軟性を活用することで､私たちのｱﾌﾟﾛｰﾁがLSMCを大幅に改善することを示しています｡研究結果は､実践的な金融応用におけるこのﾓﾃﾞﾙの利点を強調し､価格設定とﾘｽｸ管理の最適化における魅力的な代替手法を提供しています｡

本稿では,ﾄﾗｯｷﾝｸﾞｴﾗｰとﾘﾊﾞﾗﾝｽｺｽﾄをﾊﾞﾗﾝｽさせるようなﾎﾟｰﾄﾌｫﾘｵ最適化問題に対して,量子ｲﾝｽﾊﾟｲﾔｰﾄﾞ技術とFactorization Machine(FM)を用いたﾌﾞﾗｯｸﾎﾞｯｸｽ最適化手法(量子BBO)の適用を提案する.このような最適化問題は複雑で明示的なﾓﾃﾞﾙ化が困難な問題であり,従来効率的に解くことができなかった.提案する量子BBOが,二次計画法を用いたﾌﾞﾗｯｸﾎﾞｯｸｽ最適化手法,および線形問題として近似的に解く手法と比較して,解の精度が高く,また収束性が優れることを確認した.今後,資産運用戦略,投資商品開発において実用性を検証する予定である.

株式のｱﾉﾏﾘｰのひとつとして知られるﾓﾒﾝﾀﾑﾌｧｸﾀｰはJegadeeshらによって発見された｡そのﾌﾟﾚﾐｱﾑの源泉は､行動ﾊﾞｲｱｽによるﾐｽﾌﾟﾗｲｽから生じるとするのが定説である｡実際､多くの研究において､行動ﾊﾞｲｱｽの代理変数を用いることでﾓﾒﾝﾀﾑの効果が高まることが実証的に確かめられてきた｡ﾓﾒﾝﾀﾑﾌｧｸﾀｰは､平時は着実にﾌﾟﾚﾐｱﾑを生み出す魅力的なﾌｧｸﾀｰの1つであるが､市場ｽﾄﾚｽの発生時にはﾓﾒﾝﾀﾑｸﾗｯｼｭとよばれる現象によって大きなﾄﾞﾛｰﾀﾞｳﾝを引き起こすことが知られている｡運用担当者としては､中長期的な累積ﾊﾟﾌｫｰﾏﾝｽが良好であったとしても､一時的にﾊﾟﾌｫｰﾏﾝｽが著しく悪化するﾓﾒﾝﾀﾑｸﾗｯｼｭは受け入れがたい｡本稿では､先行研究で提案されてきた行動ﾊﾞｲｱｽの代理変数などを特徴量とする機械学習ﾓﾃﾞﾙを構築した｡この機械学習ﾓﾃﾞﾙによって銘柄選定を行うことで､ﾊﾟﾌｫｰﾏﾝｽを維持したまま､ﾓﾒﾝﾀﾑｸﾗｯｼｭによるﾄﾞﾛｰﾀﾞｳﾝを抑えることができた｡

本論文では､ﾈｯﾄﾜｰｸ理論に基づく新たな動的ｱｾｯﾄｱﾛｹｰｼｮﾝを提案する｡近年､ﾈｯﾄﾜｰｸ構造に基づくﾘｽｸﾌｧｸﾀｰが注目を集めており､ﾉｰﾄﾞ中心性を用いてﾈｯﾄﾜｰｸﾘｽｸを反映したｱｾｯﾄｱﾛｹｰｼｮﾝが提案されている｡本研究では､ﾈｯﾄﾜｰｸを複数のｺﾐｭﾆﾃｨに分割し､ｸﾞﾙｰﾌﾟ中心性を用いて各銘柄群の重要性を評価することで､ｺﾐｭﾆﾃｨ構造をｱｾｯﾄｱﾛｹｰｼｮﾝに反映させる｡さらに､市場局面の変化をﾈｯﾄﾜｰｸ大局的指標のひとつであるﾈｯﾄﾜｰｸ直径で検知し､これを中心性指標に基づく重要性と組み合わせることで､市場局面に応じた動的ｱｾｯﾄｱﾛｹｰｼｮﾝを実現する｡実際の市場ﾃﾞｰﾀによる実証分析を行った結果､提案手法は優れたﾊﾟﾌｫｰﾏﾝｽを示し有効性を確認した｡

本研究では海外市場での金利変動が日本の金利市場に与える影響を検証すると共に,機械学習手法を用いて,海外市場からの影響を考慮した円金利の予測ﾓﾃﾞﾙの構築を行った.具体的には,ｸﾞﾛｰﾊﾞﾙな国債市場におけるｲｰﾙﾄﾞｶｰﾌﾞの変動に対する相関行列の変遷をｸﾗｽﾀﾘﾝｸﾞすることで,近年の日本と海外市場の関係性の変化(連動性の高まり)を示した.更に,構造VARﾓﾃﾞﾙを用いて米国市場の日本市場に対する伝播の状況を確認すると共に,各種機械学習ﾓﾃﾞﾙを用いて,日本市場の金利予測ﾓﾃﾞﾙの構築を行った.その際,日本市場の金利情報に加えて,米国市場のﾃﾞｰﾀも特徴量として用いることで,近年の円金利の予測精度の向上を確認した.加えて,特徴量のﾓﾃﾞﾙへのｲﾝﾌﾟｯﾄ方法の違いによる情報の有効性についても併せて検証した.なお,日本国債の投資家を対象とした調査においても,近年,取引の際に海外金利を注目するといった回答の割合が増えおり,本研究で示した,日本市場の金利予測における海外市場情報の有用性を示す結果と整合的な内容と言えよう.

金融市場で観測される取引はｸﾗｽﾀｰ性を持つことが知られており,特に高頻度取引(HFT)が市場に与える影響は重要な研究ﾃｰﾏとなっている.本研究では,東京証券取引所の主要な200銘柄の株取引ﾃﾞｰﾀを用いてHawkes過程に基づくﾓﾃﾞﾘﾝｸﾞを行い,取引の内因性と外因性を分析した.HFTと非HFTの影響を分離して分析するために,指数関数ｶｰﾈﾙの和を使用したHawkes過程ﾓﾃﾞﾙを採用し,2013年2月から2023年12月までのﾃｨｯｸﾃﾞｰﾀによるﾓﾃﾞﾘﾝｸﾞを行った.その結果,二つ以上の指数関数ｶｰﾈﾙを持つﾓﾃﾞﾙが良好なﾌｨｯﾃｨﾝｸﾞを示し,異なる特性の取引活動が市場に及ぼす影響をより捉えられることが確認された.これにより,高頻度取引(HFT)と非高頻度取引(非HFT)が異なるｸﾗｽﾀｰ特性を持つことが示唆される.また,ﾓﾃﾞﾙにより,内因性のｲﾍﾞﾝﾄｸﾗｽﾀｰが取引数に依存せず独立することや,arrowheadｼｽﾃﾑ変更後の取引応答速度の向上に伴う時定数の変化が観察された.

価格の拡散係数である｢volatility｣は金融市場のﾘｽｸの指標として市場設計や取引に活用されてきた｡重要な統計量であるvolatilityの性質について代表的な人工市場ﾓﾃﾞﾙであるSanta Fe modelのｼﾐｭﾚｰｼｮﾝを用いた研究が盛んにされてきた｡しかし､Santa Fe modelは多数の注文によって構成されるｼｽﾃﾑであり､理論解析が困難なことが知られている｡そのため､Santa Fe modelの各ﾊﾟﾗﾒｰﾀに対してvolatilityがどのように変化するか理論的な理解は十分ではない｡そこで､我々はSanta Fe modelに物理学の分野で用いられてきた近似解析手法を適用しvolatilityについて理論解析を行い､その結果について報告する｡

金融市場で観測される頑健な統計則に価格ｲﾝﾊﾟｸﾄの非線形性という統計測がある｡価格ｲﾝﾊﾟｸﾄの非線形性は､大口注文を執行によって発生する価格変動(価格ｲﾝﾊﾟｸﾄ)が非線形な応答を示すという現象である｡現在､この価格ｲﾝﾊﾟｸﾄの非線形性という現象について､戦略や市場の状態に依存性の有無について議論がされている｡例えば､2006年に提案されたGabaix-Gopikrishnan-Plerou-Stanley (GGPS) ﾓﾃﾞﾙは､価格ｲﾝﾊﾟｸﾄの形状は取引戦略と市場の詳細に依存することを主張している｡一方で､取引戦略や市場､参加者などの詳細に依存せず､価格ｲﾝﾊﾟｸﾄは平方根則に従うという普遍性を主張するｸﾞﾙｰﾌﾟも存在する｡このように､価格ｲﾝﾊﾟｸﾄの性質に関して相異なる主張が共存しているのだが､これは価格ｲﾝﾊﾟｸﾄの性質に関する包括的な調査を行った研究が存在しないことが一因にある｡本公演では､東京証券取引所の現物板再現ﾃﾞｰﾀを用いて､価格ｲﾝﾊﾟｸﾄの性質について全数調査を行った結果について報告する｡最終的に､価格ｲﾝﾊﾟｸﾄの非普遍性を主張するGGPSﾓﾃﾞﾙの有効性について､全数調査とｼﾐｭﾚｰｼｮﾝ結果を踏まえて議論を行う｡

本稿では,有価証券報告書に含まれる表を対象としたｺﾝﾍﾟﾃｨｼｮﾝ｢SIG-FIN UFO-2024ﾀｽｸ｣の枠組みについて述べる.有価証券報告書は,企業の財務状況や経営成績を示すために公開される重要な資料であるものの,そのﾃﾞｰﾀを正確かつ効率的に解析するには技術的な課題が残されている.そこで,我々は,TOPIX500の有価証券報告書のﾃﾞｰﾀｾｯﾄを対象とし,表検索 (Table Retrieval) ﾀｽｸおよび表質問応答 (Table QA) ﾀｽｸのｺﾝﾍﾟﾃｨｼｮﾝを提案する.本ｺﾝﾍﾟﾃｨｼｮﾝでは,2つのﾀｽｸに対して,参加者が自動で処理するｼｽﾃﾑ (ﾌﾟﾛｸﾞﾗﾑ) を開発し,ﾘｰﾀﾞｰﾎﾞｰﾄﾞでその性能を競う.参加者は,ﾀｽｸの出力結果となるJSONﾌｧｲﾙをﾘｰﾀﾞｰﾎﾞｰﾄﾞに投稿することで,Accuracyのｽｺｱおよび順位を確認できる.本ｺﾝﾍﾟﾃｨｼｮﾝの上位入賞者には,賞状と副賞を授与する予定である.我々は,ｺﾝﾍﾟﾃｨｼｮﾝを通じて,有価証券報告書の利用価値を高めるとともに,金融ﾃﾞｰﾀを対象とした自然言語処理技術の進展に寄与することを目指している.

本研究では､金融に特化したLLMの構築に取り組んだ｡まず､ﾄﾞﾒｲﾝ特化のｺｰﾊﾟｽを構築し､そのｺｰﾊﾟｽを用いた継続事前学習を実施した｡その上で､金融に特化した金融知識の有無を確認するﾍﾞﾝﾁﾏｰｸを使用し､性能を評価した｡さらに､ﾓﾃﾞﾙﾏｰｼﾞを行い､ｲﾝｽﾄﾗｸｼｮﾝへの対応能力をﾓﾃﾞﾙに付与することで､金融のｲﾝｽﾄﾗｸｼｮﾝﾓﾃﾞﾙを構築した｡ｲﾝｽﾄﾗｸｼｮﾝﾓﾃﾞﾙの性能を評価するために､金融に特化した生成の良さを確認するﾍﾞﾝﾁﾏｰｸを使用し､その性能を比較した｡これらの取り組みを通じてLLMを金融に適合させることができることを示した｡

近年､大規模言語ﾓﾃﾞﾙ(LLM)は様々な自然言語処理ﾀｽｸで顕著な性能を発揮しており､金融領域においても注目を集めている｡だが､日本語の金融ﾀｽｸに特化したLLMは数少なく､またﾓﾃﾞﾙ構築においてはﾃﾞｰﾀやｺｽﾄの面での障壁が存在する｡本研究では､進化的ﾓﾃﾞﾙﾏｰｼﾞを用いて日本語金融ﾀｽｸに適したLLMを構築する方法について検証する｡進化的ﾓﾃﾞﾙﾏｰｼﾞとは､複数の異なるLLMを合成して新たに高性能なﾓﾃﾞﾙを構築するﾓﾃﾞﾙﾏｰｼﾞ手法の1つで､進化的ｱﾙｺﾞﾘｽﾞﾑを活用してﾓﾃﾞﾙを効率的に作成できる点が特徴である｡発表では､ﾓﾃﾞﾙﾏｰｼﾞにおけるﾀｽｸ設定の影響や､ﾏｰｼﾞ後のﾓﾃﾞﾙの特徴などについての検証結果を報告する｡

Text classification using large language models (LLMs) often has low interpretability and is hard to adjust manually. On the other hand, zero-shot learning, which uses definition statements in LLMs for classification, is more interpretable but creating good definition statements is a challenging task. Therfore, we propose a method to automatically generate definition statements using LLMs to improve classification accuracy and interpretability in (binary) text classification. The proposed method first randomly splits the labeled data and generates (initial) definition statements based on sampled data. Then, it classifies the labeled data using these statements and updates them by inputting misclassified data back into LLMs, repeating this process to improve the definition statements. Experiments with real-world texts show that the proposed method performs well compared to fine-tuned BERT model and LLM few-shot learning and creates appropriate definition sentences.

Domain-adaptation causal knowledge plays an important role in an ever-evolving frontier of intelligent inference that references expert cognition in addressing complex decision-making problems. With the recent increase in uncertainty, cognitive biases may induce managers to overestimate their decision-making abilities and the probability of success, potentially leading to irrational decisions. It is both academically and practically important to develop methods from a semantic perspective to directly measure managerial cognitive patterns, apply standardized processes to larger samples, and provide empirical evidence of their impact on corporate decision-making. In this study, we provide a financial expert-annotated dataset to extract CC-BizEnv (Causal Cognition of Business and Environment) of managers from Japanese annual reports. This dataset is based on more granular "cause-effect" annotations and clue expressions for fine-tuning of Pre-trained Natural Language Model (NLM). As a result, according to pre-set ``clues'', CC-BizEnv allows the extraction of sentences containing causal rationale and classification of ``internal cause'', ``external cause'', ``positive effect'' and ``negative effect'' from narratives with 87.4% F1 score. We apply this approach to measure managerial cognitive patterns and identify cognitive biases, such as self-serving attributional bias.

本論文では､深層学習~(DL)を用いたﾎﾟｰﾄﾌｫﾘｵ最適化に取り組む｡DLにより､従来のCAPMやﾌｧｸﾀｰﾓﾃﾞﾙでは扱えなかったﾘﾀｰﾝの非線形性をﾓﾃﾞﾙに組み込むことが可能となった｡しかし､DLを用いたﾎﾟｰﾄﾌｫﾘｵ構築においても､ﾘｽｸとﾘﾀｰﾝのﾄﾚｰﾄﾞｵﾌを最適化することが重要であり､このﾄﾚｰﾄﾞｵﾌを考慮するためにSharpe lossという損失関数が提案された｡この方法は､実証的に有用であるが､Sharpe lossには理論的問題がある｡まず､損益が負の値を取る場合､その解釈が難しく､非直感的なﾎﾟｰﾄﾌｫﾘｵを構築すること､次に確率的勾配降下法を用いた際に､勾配が不偏推定量とならないことである｡そこで本論文では､DLを用いたﾎﾟｰﾄﾌｫﾘｵ最適化のためのﾘｽｸ回避型効用関数を用いた新しい損失関数を提案する｡ﾘｽｸ回避型効用関数は損益が負の場合でも解釈が容易であり､また､勾配が不偏推定量となるため､Sharpe lossが抱えていた問題を回避することができる｡加えて､DLからの出力をﾍﾞｰｽﾗｲﾝ戦略のｳｴｲﾄから差分とすることで､より優れたﾎﾟｰﾄﾌｫﾘｵが構築可能であることを示す｡提案手法の有効性を確認するためにS\&P500の過去ﾃﾞｰﾀを用いた実験を行った｡提案手法がSharpe ratioを含めたいくつかの指標でSharpe lossを用いた場合よりも良いﾊﾟﾌｫｰﾏﾝｽが得られることを示す｡

This study investigates the mean-variance (MV) trade- off in reinforcement learning (RL), an instance of sequential decision-making under uncertainty. Our objective is to obtain MV-efficient policies, whose means and variances are located on the Pareto efficient frontier with respect to the MV trade- off; under this condition, any increase in the expected reward would necessitate a corresponding increase in variance, and vice versa. To this end, we propose a method that trains our policy to maximize the expected quadratic utility, defined as a weighted sum of the first and second moments of the rewards obtained through our policy. We subsequently demonstrate that the maximizer indeed qualifies as an MV-efficient policy. Previous studies that employ constrained optimization to address the MV trade-off have encountered computational challenges. However, our approach is more computationally efficient as it eliminates the need for gradient estimation of variance, a contributing factor to the double sampling issue observed in existing methodologies. Through experimentation, we validate the efficacy of our approach.

近年,情報技術の発展に伴い,従来までは扱えなかった非構造化ﾃﾞｰﾀ,特にﾃｷｽﾄﾃﾞｰﾀを用いた研究が,金融分野においても盛んに行われている.中でも有価証券報告書は,企業の状況を外部に報告するための書類であり,分析対象として注目を集めている.ﾃｷｽﾄ分析においては,記述内容がﾎﾟｼﾞﾃｨﾌﾞかﾈｶﾞﾃｨﾌﾞかを表すｾﾝﾁﾒﾝﾄ分析が主流であり,事前に定義した単語ﾘｽﾄを用いる辞書ｱﾌﾟﾛｰﾁや,BERTなどの深層学習を用いた機械学習ｱﾌﾟﾛｰﾁが存在する.さらに,Twitter(X)のﾃｷｽﾄに対しては,ｾﾝﾁﾒﾝﾄを細分化した多次元感情を分析した研究が存在し,株価を予測する上では,多次元感情が有効であることが示された.しかし,多次元感情を有価証券報告書のﾃｷｽﾄから分析した研究は我々が知る限り存在しない.そこで本研究では,従来までのｾﾝﾁﾒﾝﾄ分析を拡大し,辞書ｱﾌﾟﾛｰﾁと機械学習ｱﾌﾟﾛｰﾁを組み合わせることで,"怖""驚""喜"といった10種類の多次元感情を約12,000件の有価証券報告書から算出した.そして,有価証券報告書公表後の株式ﾘﾀｰﾝに対する説明力を,ｲﾍﾞﾝﾄｽﾀﾃﾞｨを用いて分析した結果を報告する.

本研究では､投資比率を最適化する複利型深層強化学習を用いて､過去のFXﾚｰﾄを用いた金融取引戦略の習得を行う｡現在､機械学習を金融に応用する研究が盛んに行われている｡複利型強化学習は､利益率の複利効果を最大化する行動を習得することを目的とした強化学習の枠組みである｡複利型強化学習には新たなﾊﾟﾗﾒｰﾀとして投資比率が存在し､この投資比率を最適な値にすることで､利益率の複利効果を最大化することができる｡先行研究において､深層強化学習を複利型に拡張した複利型深層強化学習､複利型深層強化学習における投資比率を最適化する手法がそれぞれ提案されている｡本研究では､投資比率を最適化する手法を取り入れた複利型深層強化学習を用いて､実際の過去のﾄﾞﾙ円のFXﾚｰﾄを用いた､成り行き買い注文と売却を行動とした金融取引戦略の習得を行う｡

既存の研究で約定により株価が変動した後､300秒以内に90%の頻度で前の株価に戻るという特徴を使用した株式売買ｱﾙｺﾞﾘｽﾞﾑを提案した｡提案したｱﾙｺﾞﾘｽﾞﾑは､取引により株価が上下に変動したときに注文を出し､株価が変動前の水準に戻ったときに保有株を売却(空売りの場合は買い戻し)して損益を計算する｡しかし既存研究では､損失と利益の閾値を分析しておらず､株式取引ｱﾙｺﾞﾘｽﾞﾑに課題があった｡本研究では､より現実的なﾃｸﾆｶﾙ分析を可能にするために､ｱﾙｺﾞﾘｽﾞﾑに閾値を設定した｡使用した取引ﾃﾞｰﾀは､東京証券取引所の注文ﾃﾞｰﾀである｡その結果､損失閾値が一定以上になると利益が損失を上回ることが示された｡市場の特徴は公正な株式市場を設計するための基礎情報として活用されることが期待される｡

東京証券取引所のｶｰﾎﾞﾝ･ｸﾚｼﾞｯﾄ市場は,まだ取引量は少なくﾃﾞﾘﾊﾞﾃｨﾌﾞ市場は未整備である.欧州連合域内排出量取引制度(EU-ETS)はﾃﾞﾘﾊﾞﾃｨﾌﾞ市場含め多くの課題に対応してきた.本研究では,EU-ETS を分析しCO2排出権のﾎﾞﾗﾃｨﾘﾃｨが将来の価格変動を予見するのか確認する.ｲﾝﾌﾟﾗｲﾄﾞ･ﾎﾞﾗﾃｨﾘﾃｨとｽﾄﾗﾄﾞﾙ戦略の価格を説明変数とし,回帰分析と移動ｴﾝﾄﾛﾋﾟｰ(Transfer Entropy; TE)を用いて将来の価格変動に対する予見性を評価する.単回帰分析の結果,統計的に有意な関係が示された.一方で決定係数は低かった.TEに基づく分析では,逆向きTEより順向きTEが高くﾎﾞﾗﾃｨﾘﾃｨが時間的に先行する方向の因果関係が示された.また高い行使価格帯において高いTEを示している.これらの結果から,高い行使価格帯のﾎﾞﾗﾃｨﾘﾃｨにおいて将来の価格変動を予見していることが確認された.

本研究は,財務ﾃﾞｰﾀに依存しない新たな信用ﾘｽｸ予測手法の開発を目指し,金融機関の口座情報およびその情報から構築した企業間取引ﾈｯﾄﾜｰｸの特徴量を用いたﾓﾃﾞﾙの構築に取り組む.具体的には,金融機関の実際の事業性入出金ﾃﾞｰﾀから構築した大規模ﾈｯﾄﾜｰｸ(81,680ﾉｰﾄﾞ､253,789ｴｯｼﾞ)を分析対象とし,金融機関の債務者区分における正常先と非正常先を予測する機械学習ﾓﾃﾞﾙを開発する.さらに,特徴量の重要度分析を通じて,予測精度に最も寄与する特徴量を特定し,ﾓﾃﾞﾙの解釈可能性を高める.

We address the challenge of accelerating multi-asset option pricing using tensor-train learning algorithms, a type of active machine learning.Here, we build tensor trains using a tensor train learning algorithm to approximate functions appearing in FT-based option pricing along with their parameter dependence and make a new function that takes parameters and outputs the FT-based option prices.Then, we utilize this function to efficiently calculate the option price for the varying input parameters. As a benchmark test, we run the proposed method to price a multi-asset option for the various values of volatilities and present asset prices, involving up to 11 assets.We demonstrate that our method achieves superior computational complexity and time compared to Monte Carlo methods with $10^5$ paths while maintaining comparable accuracy.