アルファが崩れるとき: 横断的株式ランキングの安全な展開のための二層的不確実性

要旨: 横断的ランキングモデルは、点予測が十分であるかのように展開されることが多いです。モデルはスコアを出力し、ポートフォリオは誘導された順序に従います。非定常性の下では、レジームシフトの際にランキング手法は機能不全になることがあります。AI Stock Forecaster では、LightGBM のランカーが20日間の期間全体で概して良好に機能しますが、2024年のホールドアウトはAIテーマのラリーとセクター回転と重なり、長期の視点で信号を崩し、20日間の信号を弱めます。これにより、デプロイメントを二段階の意思決定として扱う動機が生まれます: (i) 戦略が取引を行うべきかどうか、(ii) アクティブな取引の中でリスクをどのように制御するか。私たちは Direct Epistemic Uncertainty Prediction (DEUP) をランキングへ適用し、順位の変位を予測し、時点安全（PIT-safe）ベースラインに対してエピステミック不確実性信号 ehat を定義します。経験的には、ehat は信号強度と構造的に結合しており（ehat と絶対スコアの中央値相関は約 0.6、1,865 日にわたる）、したがって逆不確実性のサイズ設定は最も強力な信号を過小評価し、性能を低下させます。これに対処するために、二段階のデプロイメント方針を提案します: 戦略レベルのレジーム信頼ゲート G(t) が取引を行うかどうかを決定します（AUROC は全体で約 0.72、FINAL では約 0.75）。そして、ポジションレベルのエピステミック・テールリスク上限が、最も不確実な予測の露出のみを減らします。実運用ポリシーは、G(t) が少なくとも 0.2 の場合にのみ取引を行い、アクティブな日にはボラティリティに基づくサイズ設定を適用し、エピステミック・テールの上限を設けて抑えることで、20日間のポリシー比較におけるリスク調整後のパフォーマンスを改善し、DEUP は連続的なサイズ決定の分母というよりも、主にテールリスクのガードとして価値を付加することを示しています。