著者

梅津 大雅 中田 和秀

出版者

一般社団法人 人工知能学会

雑誌

人工知能学会第二種研究会資料 (ISSN:24365556)

巻号頁・発行日

vol.2023, no.FIN-030, pp.45-50, 2023-03-04 (Released:2023-03-04)

---

資産運用において,単一の銘柄に投資を行うことは非常にリスクのある行動とみなされている.そのため資産運用を行う際は,複数銘柄に分散投資を行うことが求められる.このように市場に存在する様々な金融資産に対して,どの資産にどれだけ投資するかを決定する問題はポートフォリオマネジメントと呼ばれている.ポートフォリオマネジメントの代表的なモデルとして,ポートフォリオの期待収益率の最大化と分散の最小化を行う平均分散法のような最適化のアプローチの手法が知られている.しかし,最適化の手法は,主に特徴量として平均と分散を使用しており,強い定常性を仮定している点が問題である.これらの問題に対して本研究では,強化学習の枠組みを用いてポートフォリオマネジメントを行う.強化学習は機械学習の分野の1つであり,コンピュータ上のエージェントが環境と相互作用を繰り返すことで,タスクの報酬を最大化する意思決定の方策を学習する.また定常性を仮定せず,長期的な依存関係を考慮した学習を行うため,資産運用と相性が良い.一方で,強化学習には2つの問題が存在する.その1つが金融市場のデータ不足である.強化学習を行う際は,多量の訓練データを必要とするが,金融時系列は時間に対して1対1にしかデータが増えない.また強化学習に入力する特徴量は,基本的に行動を決定する時点の情報のみを使用するが,資産運用に関しては将来の状態を考慮することが重要である.本研究ではこれらの問題に対処するために,CSDIによるデータ生成とLSTMによる予測を用いた強化学習フレームワークを提案する.CSDIはDiffusion Modelを基としたデータ生成手法の1つであり,金融時系列の分布を模した人工データを生成することが可能であるため,データ不足の問題を解消できる.また時系列予測の分野で高性能を記録しているLSTMによる予測特徴量を入力とすることで将来の状態を明示的に把握させた.これらの提案手法の性能を検証するために,ダウ・ジョーンズ工業株価平均の30銘柄を用いて定量評価を行い,提案モデルはベンチマーク手法よりも優れていることを確認した.