マルチホライゾン金融予測のための深層学習アーキテクチャの統制比較: 918件の実験による検証

概要：マルチホライズン価格予測は、ポートフォリオ配分、リスク管理、アルゴリズム取引の核心である。しかし、ディープラーニングのアーキテクチャは、厳密な金融ベンチマークが評価できる速度を超えて急速に普及している。
本研究は、Transformer、MLP、CNN、RNNファミリーにまたがる9つのアーキテクチャ（Autoformer、DLinear、iTransformer、LSTM、ModernTCN、N-HiTS、PatchTST、TimesNet、TimeXer）を対象に、仮想通貨、外国為替、株価指数市場を4時間および24時間の予測期間で横断的に比較した。
合計918件の実験を、固定シードのベイズハイパーパラメータ最適化、資産クラスごとの設定凍結、複数シードによる再訓練、不確実性の集約、統計的検証を含む厳格な5段階プロトコルの下で実施した。
ModernTCNは平均順位1.333で最高を記録し、1位獲得率は75％だった。これに続くのはPatchTST（2.000）である。
結果は明確な3段階のランキング構造を示し、アーキテクチャがほぼすべての性能分散を説明する一方で、シード乱数性はごくわずかであることを示している。
誤差の拡大が2倍から2.5倍にもなるにもかかわらず、予測期間を跨いだランキングは安定している。
方向性の正確さは、全設定でほぼ50％にとどまり、MSEで訓練されたモデルは1時間解像度で方向性の技能を欠くことを示している。
本研究の発見は、生のパラメータ数よりもアーキテクチャの帰納的バイアスの重要性を強調し、多段階の金融予測に対する再現性のある指針を提供する。