金融時系列予測特化の基礎モデル EXAONE Finance──アテンションフリー構造で FinVerse 3 評価指標すべてで SOTA を達成

論文概要

本論文では、金融市場の特殊なダイナミクスに適応した時系列予測基礎モデル（TSFM）「EXAONE Forecast for Finance（EXAONE Finance）」を提案している。従来の汎用時系列基礎モデルは自己注意機構（Self-Attention）をバックボーンに採用しているため、シーケンス長や変数数の増加に伴い計算量が二次関数的に増大する課題があった。また、完全観測された入力を前提とするため、欠損値が多い金融データへの適用が難しかった。EXAONE Financeは、アテンションフリーのアーキテクチャとマスクドコンテキスト拡張の導入により、株式、外国為替、コモディティ、暗号資産、債券、マクロ経済指標を網羅した大規模な金融コーパスでの事前学習を実現し、金融ベンチマーク「FinVerse」の全評価階層で State-of-the-Art（SOTA）を達成した。

関連研究

近年、大規模な事前学習に基づく時系列基礎モデル（TSFM）のゼロショット性能向上が注目されている。しかし、これらの多くは汎用ドメイン向けに開発されており、金融特有の長期かつ多チャンネル、断続的な観測データを含むパネルデータの特性を捉えきれていなかった。本研究は、自己注意機構のボトルネックを解消しつつ、金融市場特有のマーケットダイナミクスを事前学習データから学習するアプローチで先行研究と一線を画す。

新規性と貢献

最大の貢献は、自己注意機構を排した線形時間オペレーターによる効率的なアーキテクチャの構築と、金融市場におけるデータ欠損に対応する学習手法の確立にある。これにより、計算コストを抑えながら、多様なアセットクラスを跨いだ高精度な予測を可能にした。

提案手法の詳細

EXAONE Financeは、計算量の課題を克服するため、自己注意機構を以下の2つのアテンションフリーな線形時間オペレーターに置き換えている。

1. 時間混合（Temporal Mixing）: 因果的1次元畳み込み（Causal 1D Convolution）を用い、時系列方向の文脈を効率的に混合する。
2. 変数混合（Variate Mixing）: グループ認識型プーリング多層パーセプトロン（MLP）を採用し、複数チャネル間の相関を効率的に処理する。

さらに、学習時に連続的な欠損スパンをモデルに曝露する「マスクドコンテキスト拡張」を導入することで、金融市場に蔓延するデータの欠損に対する頑健性を向上させている。

評価・考察

多様なアセットクラスをカバーする金融予測ベンチマーク「FinVerse」において、EXAONE Financeはすべての評価階層で首位を獲得した。評価された3つの階層は以下の通りである：

• ポイント予測精度（Point-forecast accuracy）
• クロスセクショナル資産ランキング（Cross-sectional asset ranking）
• ポートフォリオ収益性（Portfolio profitability）

応用例と今後の展望

金融工学やアルゴリズムトレーディングの分野において、実務的なインパクトは大きい。特に国内の金融機関やFinTech企業における、複数資産を対象とした大規模なポートフォリオ最適化やリスク管理システムにおいて、計算効率と予測精度を両立する基盤として即座に検証価値がある。今後の課題としては、さらなるリアルタイム処理の最適化や、突発的な市場ショック（テールリスク）に対する適応力の検証が挙げられる。

結論

EXAONE Financeは、アテンションフリー構造とマスクドコンテキスト拡張により、金融時系列予測の精度と効率性を大幅に引き上げたモデルである。FinVerseでの圧倒的な成果は、金融ドメイン特化型基礎モデルの実用性と優位性を明確に示している。

注釈

• TSFM (Time Series Foundation Model): 大規模な時系列データで事前学習され、多様なダウンストリームタスクに適用可能な基盤モデル。
• FinVerse: 株式、為替、暗号資産など多様なアセットクラスを網羅した金融予測の総合ベンチマーク。