因果GANと深層強化学習で流動性を考慮した債券利回りを予測し、LLM評価で検証

arXiv cs.CL / 2026/4/27

💬 オピニオンDeveloper Stack & InfrastructureTools & Practical UsageModels & Research

共有:

要点

本論文は、データ不足、マクロ経済要因の非線形な依存、そして市場環境の変化といった要因により債券利回りの予測が難しい点を扱い、新しい枠組みを提案している。
Causal Generative Adversarial Networks（因果GAN）とSoft Actor-Critic（SAC）強化学習を組み合わせ、12の主要マクロ変数を用いて重要な市場の統計的性質を保ちながら、4つの債券カテゴリ（AAA、BAA、US10Y、Junk）の高忠実度な合成利回りデータを生成する。
市場依存の合成データを実際の意思決定に結び付けるため、著者らはQwen2.5-7BのLLMを微調整し、売買シグナル（BUY/HOLD/SELL）、リスク評価、ボラティリティ予測を出力させている。
評価は自動評価に加えて、人手およびLLM評価でも行われ、予測性能の改善を主張しており、MAE（0.103%）、損益評価（60%の利益率）、LLM評価（3.37/5）、専門家評価（4.67/5）などの指標が示されている。
総じて、本研究は因果的な合成データ生成とLLMによる予測、言語モデル評価をつなぐ拡張可能な合成金融データのパイプラインを提示し、リスク・ボラティリティ管理や投資判断への活用を目指している。

Abstract

金融の債券利回り予測は、データ不足、非線形なマクロ経済依存性、そして変化し続ける市場環境により困難です。本論文では、因果生成敵対ネットワーク（Causal Generative Adversarial Networks; CausalGANs）と、強化学習（RL）のSoft Actor-Critic（SAC）を活用して、4つの主要な債券カテゴリ（AAA、BAA、US10Y、Junk）の高忠実度な合成債券利回りデータを生成する新しい枠組みを提案します。12の主要なマクロ経済変数を組み込むことで、重要な市場特性を保持し、統計的忠実性を確保します。市場依存の合成データを実行可能な洞察へ変換するために、微調整した大型言語モデル（LLM）であるQwen2.5-7Bを用い、取引シグナル（BUY/HOLD/SELL）、リスク評価、ボラティリティ予測を生成します。自動化された評価、人手による評価、およびLLMによる評価を行います。これらはいずれも、本枠組みが既存手法よりも予測性能を向上させることを示し、さらに予測精度による統計的検証、MAE評価（0.103%）、損益評価（60%の利益率）、LLM評価（3.37/5）、ならびに専門家評価（5点満点中4.67点）によって裏付けられます。強化学習を組み込んだ合成データ生成は最小の平均絶対誤差（0.103）を達成しており、実世界の債券市場ダイナミクスを再現する有効性を示しています。本研究はデータ駆動型の取引戦略を強化するだけでなく、リスク＆ボラティリティ管理および投資意思決定のための、スケーラブルで高忠実度な合成金融データのパイプラインも提供します。本研究は、合成データ生成、LLMによる金融予測、そして言語モデル評価をつなぐ架け橋となり、AI駆動の金融意思決定に貢献します。