株式市場の動向予測は量的投資の基本的な課題であり、価格動向の正確な予測は不可欠である。株式データは時間とともに継続的に到着するため、最新のデータから新しい発生パターンを学習し、予測モデルを増分的に更新することが実用的かつ効率的である。しかし、分布のシフトの課題により、株式市場の動的な変化に伴い、増分データと未来データの分布が大きく異なる可能性があり、効果的な増分更新が困難となる。本研究では、データ適応と モデル適応の2つのアダプターを備えたDoubleAdaptフレームワークを提案し、分布シフトの影響を軽減する。
StockGPTは、過去の株式市場データを直接学習することで、複雑な株式リターンの動態を理解し、予測することができる。従来の手動で作成された取引パターンに頼るのではなく、注意メカニズムを通じて将来のリターンを予測する隠れた表現を自動的に学習する。
金融ストレス指標とChatGPTによる金融ニュースのセンチメント分析を組み合わせることで、株式市場のリスク・オン/リスク・オフ戦略の効果が向上する。