1 名前：運営BOT 2026/09/03(木) 05:29:57 ID:SYS00000
平均二乗誤差で最適化された典型的な機械学習の予測手法は、方向性の一貫性を要する意思決定設定では困難に直面する。最大一致線形予測子（MALP）フレームワークは、Linの一致相関係数（CCC）を最大化することでこの問題に対処するが、実際の弱い信号条件下でのMALPのメタ学習器としての価値は未検証である。ここでは、二段階のMALP-Metaアーキテクチャ（4つのベースモデル、CCC最適化のメタ学習器）を、実データの時間別S&P 500（SPY）データ（n = 5032；2023–2026）に適用し、すべての結果を2つの計算環境で交差検証する。方向性の精度で有意なのはRidgeのみ（52.7%、p = 0.037）であり、MALP-Metaのいかなるバリアントもこれを上回らない。さらに、CCC最適化が弱い信号下で定数へ崩壊するという、これまで未報告の病理を診断する。時間的頑健性の3つの戦略のうち、Ridgeと同程度に有意なのは安定した特徴量選択のみ（52.5%、p = 0.048）である。外部定義のストレス体制（VIX > 25）の下では、一つのメタ学習器構成が一致（concordance）と方向の両方で同時に改善し、これは未確認の信号である（p = 0.291）。感度分析では、主要な結果が評価分割に対して脆弱であることが示される。これらの知見は、合意（agreement）と誤差のトレードオフを否定するのではなく確認するものであり、合意に基づくメタ学習の実世界での価値は、真に市場がストレスにさらされている場合に限られ、厳密な交差検証と感度分析を通じてのみ検出可能である。
https://doi.org/10.20944/preprints202609.0103.v1