機械学習モデルによる予測結果の分析・解釈手法として注目を集めている「SHAP（SHapley Additive exPlanations）」と呼ばれる手法があります。金田規靖（日本銀行）は、これを原油価格の予想に用いた研究を報告しました（資料３）。

機械学習モデルは、多くの変数における複雑な関係を表現することができるため、幅広い分野での活用が進んでいます。もっとも、モデルが複雑化したり変数が増加したりすると、予測精度が向上する反面、結果の説明可能性が失われる傾向があります。

この問題への対応として、Lundberg and Lee (2017) (参考文献 4）によりSHAPというモデル説明手法が提案されました。SHAPを利用すると、多くの説明変数からなる複雑な機械学習モデルであっても、「被説明変数の動きが、どの説明変数の動きにどの程度起因するのか」という変動要因の定量化・可視化・変動要因同士の重要度の比較といった検証が可能となります。「なぜ、そう予測したのか」をモデルに沿って説明できるようになります。

SHAPを機械学習モデルによる原油価格の予測結果に適用したところ、原油の需給バランスやマーケット要因の影響を受けやすいことが示唆されました。また、それぞれの要因の影響度が、時間を通じてダイナミックに変化することも示されました。

一方で、モデルで使用する説明変数をやみくもに増やすと、予測精度は向上するものの、特定の「変動要因」の寄与が金融・経済の常識とは反対方向に作用したり、異様に大きくなったりするといった結果も観察されました。説明はしているが解釈が難しいという悩ましい現象です。

これは、モデルの外にある専門的知識によってモデルの結果を検証していくことの重要性を示唆しています。また、解釈可能性がモデル選択（ここでは変数選択）の妥当性評価にも有益であることを示唆しているのかもしれません。

指定討論者の大橋和彦氏（一橋大学・東京工業大学）は、SHAPを用いたモデルの検証手順等が分かりやすく示されていて、実務的に有益な研究であると評価しました。論点として、モデルの結果の検証にあたり留意すべきことは何か、といった実務面の課題や、時間経過によって生じうるデータの構造変化をどう扱うかといった点を指摘しました。

報告者らが開発した手法は、これまで予測精度の向上に偏りがちだった機械学習モデルを、モデルの予測精度と予測結果の説明可能性という双方の観点から評価することを可能にする、画期的なツールであり、討論者が述べたように、実務への貢献も大きいといえます。

もっとも、こうした説明可能性が、因果関係とは必ずしも同じものではないことに注意する必要があります。因果関係の特定は、機械学習モデルを含め、経済・ファイナンス研究が、長年直面してきた課題であり、近年新たな手法が登場しています。こうしたものとの組み合わせも有効そうであり、引き続き、研究の発展が待たれます。

【次ページ】深層学習のファイナンス分析への応用に関する研究報告

篠崎裕司（日本銀行主査）は、深層学習のファイナンス分野への応用について、「ディープ・ヘッジング」と呼ばれる最先端の技術について解説し、今後の研究の方向性を展望しました（資料４）。

金融実務において、ポートフォリオ全体の損益変動リスクを最小化するような資産取引戦略（ヘッジ戦略）を見つけ出すことは重要です。この「損失リスク最小化問題」と呼ばれる問題への対応として、「リスク中立評価」に基づいて資産構成を調整するというアプローチ（いわゆる、デルタ・ヘッジ等）が挙げられます。一定の条件のもとで「ポートフォリオの合計損益がゼロ」となるヘッジ戦略を求める手法です。

こうした方法は、必要な計算が比較的容易なことから実務で広く使われています。もっとも、取引コストなど、実際の実務に存在する幾つかの要素について、定量的に取り込むことが難しい点が長らく課題とされてきました。

近年、深層学習を活用することで、リスク中立評価を用いずに損失リスクを最小化するヘッジ戦略を直接求める「ディープ・ヘッジング」という枠組みがBuehler, Gonon, Teichmann, and Wood (2019) (参考文献 5）によって提案されました。

ディープ・ヘッジングは、取引コスト等の現実的な要素を加味してヘッジ戦略を算出することができるため、金融実務及びファイナンス研究において、新しい有力な分析手法となりうることが期待されており、実務家、研究者の双方で関心が高まっています。

この手法では、まず、ヘッジ戦略を大量のパラメータを持つ関数であるニューラルネットワークを用いてモデル化します。次に、深層学習を用いて、損失リスクを最小化するようなモデルのパラメータの値を計算、すなわち、モデルに学習させます。学習結果が、損失リスクを最小化するヘッジ戦略になるというわけです。

指定討論者の筬島靖文氏（SMBC日興証券）は、ディープ・ヘッジングは金融実務家も非常に注目しているが、テクニカルな文献が中心で、全体像が見えにくくなっている。このため、当該技術の要点をまとめた本研究は非常に有用である、と評価しました。そのうえで、ディープ・ヘッジングの特性を、数値例を交えつつ紹介しました。

ディープ・ヘッジングの技術は、学習データの準備やリスクの適切な計測方法など、課題は少なくありません。しかし、ヘッジ戦略の算出においてこれまで無視されてきた取引コスト等の影響を分析する手段となりうるため、近年研究が盛んに行われ大きく発展しています。将来的には、金融機関の資産・負債管理（ALM）やストレステストなど、幅広いリスク管理への応用も展望されます。

【次ページ】閉会挨拶