要旨: 金融予測では、機械学習モデルの性能はしばしば Rank IC（モデル予測と実現した資産リターンの間のスピアマン順位相関）によって評価されます。広く普及しているにもかかわらず、既存の多くのモデルは回帰損失や、Rank ICと整合しない可能性のある順位付け目的で学習されています。本論文では、Rank IC を直接最適化する新しい学習-順位付けアプローチである LambdaRankIC を提案します。順位付け演算子の非微分性を回避するために、ペアワイズな順位スワップによって誘導されるラムダ勾配の閉形式の式を導出し、LambdaRank の枠組み内で効率的な勾配ベース最適化を可能にします。LambdaRankIC を XGBoost のカスタム目的関数として実装します。理論的に、提案手法が Rank IC の上界を最適化することを示します。提案手法を、シミュレーションおよび実世界の金融データの両方で評価します。シミュレーション研究では、LambdaRankIC はノイズのない設定で真の順位構造を正確に復元し、低い信号対雑音比および重い裾をもつノイズ状況のもとで、回帰ベースおよび NDCG 志向の順位付け手法に対して一貫して優れた性能を示します。実データを用いた実証実験では、LambdaRankIC は、Rank IC、ICIR、月次リターン、シャープレシオなど、金融で一般的に用いられる評価指標において最良のアウト・オブ・サンプル性能を達成します。これらの結果は、フルオーダーの順位品質が主要な目的である場合、金融予測において Rank IC を直接最適化することで、従来の学習目的よりも大きな改善が得られることを示しています。
LambdaRankIC：金融予測におけるRank ICを直接最適化する
arXiv cs.LG / 2026/5/4
📰 ニュースDeveloper Stack & InfrastructureModels & Research
要点
- この論文では、金融予測タスクにおいてRank IC（予測と実現リターンの間のスピアマン順位相関）を直接最適化するための学習・順位付け手法「LambdaRankIC」を提案する。
- ランキング演算子の非微分性を回避するために、ペアの順位スワップが生むラングランジュ（lambda）勾配を閉形式で導出し、LambdaRankの枠組みで勾配ベースの効率的な学習を可能にしている。
- 著者らはLambdaRankICをXGBoostのカスタム目的関数として実装し、理論的にRank ICの上界を最適化することを示す。
- シミュレーションおよび実データの両方の金融データで、LambdaRankICは回帰ベースやNDCG志向のランキング手法よりも優れ、Rank ICに加えてICIR、月次リターン、シャープレシオといった関連指標を改善した。
- 以上より、最重要目的が「全順序のランキング品質」である場合には、従来の損失関数よりもRank ICを直接学習することで大きな利得が得られる可能性が示された。
