VLMは本当に「ローソク足」を「読む」のか？ 視覚的株価予測のためのマルチスケール・ベンチマーク

Abstract

画像と言語のモデル（VLM）は、視覚的な株価予測にますます適用されているが、既存のベンチマークはローソク足チャートにおける株価理解を十分に評価できていない。まず、先行研究では、視覚入力の理解が予測性能を実際にどれだけ向上させるか、そしてVLMがローソク足パターンを本当に理解しているかを、うまく切り分けられていない。さらに、既存のほとんどのデータセットと評価設定は、単一期間または表形式の入力を前提として設計されている。しかし、人間のアナリストは強くマルチスケールのローソク足チャートに依拠しており、より長い時間軸はトレンドの方向を捉え、より短い時間軸は転換点の手がかりを与える。そのため、短期と長期の視覚的な市場ダイナミクスを統合するVLMの能力を体系的に評価することが難しい。このギャップを埋めるために、我々はマルチスケールのローソク足チャートのデータセットと、マルチスケールの視覚的市場シグナルを利用するVLMの能力を評価する標準化された評価フレームワークを構築する。評価は、混同行列ベースの診断と、情報係数（IC）の時系列指標を組み合わせて行い、特徴量ベースの時間的ベースラインとしてXGBoostを含める。このデータセットを用いて、代表的なVLMをベンチマークし、マルチスケールの株価データを活用する能力を分析する。実験結果は、多くのVLMが永続的な上昇トレンドまたは下降トレンドの条件下では良好に機能する一方、より一般的な市場シナリオでは予測能力が弱いことを示している。また、予測ホライズンをプロンプトで明示した場合でも有意な予測バイアスと限定的な感度しか示さず、精密な時間的推論に内在する制約があることが示唆される。