インコンテキスト学習によるレジーム認識型の金融ボラティリティ予測

本研究は、非定常な市場条件下での金融ボラティリティ予測のために、大規模言語モデル（LLMs）を活用するレジーム認識型インコンテキスト学習フレームワークを紹介する。提案手法は、事前学習済みのLLMsを用いて過去のボラティリティパターンを推論し、パラメータのファインチューニングを行うことなく予測を調整する。オラクル主導の改良手順を開発し、訓練データからレジーム認識デモンストレーションを構築する。次に、推定された市場レジームに条件付けられたデモンストレーションを用いて入力系列から次のステップのボラティリティを予測するインコンテキスト学習者としてLLMを展開する。この条件付きサンプリング戦略により、文脈的推論だけでレジーム依存のボラティリティダイナミクスへ予測を適応させることができる。複数の金融データセットを用いた実験は、提案されたレジーム認識型インコンテキスト学習フレームワークが、従来のボラティリティ予測法および直接的なワンショット学習の両方を上回り、特に高ボラティリティ期間において優位であることを示している。