目录 Time-Series Foundation Models

FX Autonomous Research

Time-Series Foundation Models

時系列基盤モデル(TSFM)は、多様な時系列データで事前学習し、未知の系列へゼロショットまたは少量の追加学習で適用することを目指すモデル群である。一般時系列ベンチマークで高い予測性能があっても、FXの低いシグナル対ノイズ比、構造変化、厚い裾、短期リターンの弱い持続性により、売買可能なアルファが得られるとは限らない。

予測モデルとしての仕組み

TimesFMはdecoder-only構造で、1000億の時系列点を含むコーパスで事前学習した約2億パラメータのモデルとしてGoogle Researchから発表され、ICML 2024採択が公表された。入力コンテキストをパッチ状に扱い、異なる長さの履歴と予測ホライズンに対応する。1

Chronosは数値時系列をスケーリング・量子化してトークン列に変換し、T5系などの言語モデル構造を交差エントロピーで学習する。複数の未来パスをサンプリングすることで確率的予測を得る。42データセットのベンチマークで、学習に含まれた系列や新規系列に対する性能を報告したが、そのベンチマークの優位性を金融取引の純利益へ直接置き換えることはできない。2

FXへの適用で必要な比較

FXモデルでは、同じ履歴長、予測ホライズン、データ頻度、再学習条件で、ランダムウォーク、AR系、GARCH系、単純な機械学習、対象銘柄で学習したローカル深層モデルと比較する。予測精度だけでなく、方向・分位点・予測区間の校正、取引コスト控除後の戦略成績も分けて評価する。ゼロショット予測が外れた場合、追加学習や特徴量追加で改善するのか、単純モデルを超えないのかを検証する。

2026年のIEEE掲載FX・固定収入ベンチマークは、Chronos、TimesFM、Lag-Llama、Time-LLMなどを19銘柄で比較し、ゼロショットTSFMがRandom Walkを上回らなかったと報告した。この結果は「基盤モデルは金融で役に立たない」という一般結論ではなく、少なくともそのベンチマーク条件でゼロショットの優位が確認されなかったことを示す。3

適用例:XAUUSD M15

XAUUSD M15の直近コンテキストをTimesFMやChronosへ与え、次の4本のリターン分布を予測するとする。比較対象はノーチェンジ予測と、同じデータで学習した小型のGRUまたはLightGBMではなく、目的に応じて適切な統計モデルも含める。価格の水準予測が良くても、利益幅がBid/Ask・手数料・スリッページ以下なら取引根拠にはならない。モデルの予測分布から損失側の分位点を抽出し、ポジションサイズや見送りに利用する可能性もあるが、尾部確率の校正が必要である。

限界と導入基準

事前学習データに含まれる金融時系列の範囲、頻度、価格定義、将来情報混入、モデル更新日を把握する。事前学習コーパスの詳細が不明な場合、厳密なゼロショット評価の独立性を保証できないことがある。FXは複数の通貨ペアを独立系列として扱えず、共通USD要因、金利、リスク選好、取引セッションが相互に影響する。モデル導入は、計算量や話題性ではなく、時間順の外部検証とネット経済価値で判断する。基盤モデルは特徴抽出器、ベースライン、分布予測器として価値があっても、自己完結した売買エンジンとみなさない。

参考文献

测验
  1. Chronosが数値時系列を言語モデル構造で学習する際の基本的な変換はどれか?

    • スケーリングと量子化で数値をトークン列へ変換する
    • 価格系列を自然言語のニュース記事へ翻訳する
    • 時系列を固定長の画像へ変換して畳み込み学習する
    • 各時点を将来リターンの正解ラベルだけへ置き換える

    Chronosは数値をスケーリング・量子化して固定語彙のトークン列にし、言語モデル系アーキテクチャで学習する。

  2. FX・固定収入19銘柄を対象にした2026年のTSFMベンチマークで、ゼロショットモデル群について報告された結果はどれか?

    • ゼロショットTSFMはRandom Walkベースラインを上回らなかった
    • 全TSFMが全銘柄・全ホライズンでRandom Walkを上回った
    • TSFMは取引コスト控除後の利益で一貫して優位だった
    • 学習データを増やすほど全モデルの予測力が単調に改善した

    報告されたベンチマーク結果ではゼロショットTSFMはRandom Walkを超えなかった。これはその評価条件での結果であり、すべてのTSFMや金融タスクへの一般化ではない。

  3. XAUUSD M15で基盤モデルの価格予測誤差が小さくなった場合、売買採用に必要な追加検証はどれか?

    • 予測改善が売買閾値を超え、コスト控除後の外部期間成績に反映するか確認する
    • 価格予測誤差が小さいため、スプレッドを除外してエントリーする
    • 事前学習済みモデルなので未来期間の独立性を確認せず採用する
    • モデルのパラメータ数が多いほど取引シグナルを強くする

    予測誤差は経済価値の代理にすぎない。Bid/Ask、手数料、滑りを含む外部期間で純利益・リスクが改善する必要がある。

评论

还没有评论,来说第一句吧。