[論文レビュー] Algorithmic Monitoring: Measuring Market Stress with Machine Learning

Marc Schmitt|arXiv (Cornell University)|Feb 5, 2026

Financial Markets and Investment Strategies被引用数 0

ひとこと要約

この論文は、横断的脆弱性信号とLasso-Logitを用いて、米国株式市場を1か月先まで予測する、株式のみを対象としたリアルタイムの確率的ストレス指標MSPIを構築し、非線形学習器と比較します。

ABSTRACT

I construct a Market Stress Probability Index (MSPI) that estimates the probability of high stress in the U.S. equity market one month ahead using information from the cross-section of individual stocks. Using CRSP daily data, each month is summarized by a set of interpretable cross-sectional fragility signals and mapped into a forward-looking stress probability via an L1-regularized logistic regression in a real-time expanding-window design. Out of sample, MSPI tracks major stress episodes and improves discrimination and accuracy relative to a parsimonious benchmark based on lagged market return and realized volatility, delivering calibrated stress probabilities on an economically meaningful scale. Further, I illustrate how MSPI can be used as a probability-based measurement object in financial econometrics. The resulting index provides a transparent and easily updated measure of near-term equity-market stress risk.

研究の動機と目的

• 電子市場でのアルゴリズム的・リアルタイムの市場ストレス監視の必要性を動機づける。
• 公正性のある、透明性のある市場ストレス確率指標（MSPI）を構築し、1か月先のストレス確率をキャリブレーションして出力する。
• リアルタイムの拡張ウィンドウ・プロトコルのもと、スパースなLasso-Logit MSPIを非線形学習器（ランダムフォレスト、勾配ブ boosting）と比較する。
• MSPIのキャリブレーション、識別力、実現市場結果との関係を示す。
• MSPIを金融計量 econometrics の実用的な測定対象として強調する。

提案手法

• CRSPの日次株式データからの横断的脆弱性信号を定義する（分散、裾、歪度、尖度、取引強度）。
• 信号を月次に集約してX_tをストレスの予測変数として形成する。
• 月次のストレス指標S_tを、リターン閾値と分散の分位数q_{t-1}(α)に基づいて定義する。
• Lasso-Logitを用いてMSPI_tを1か月先のストレス確率としてモデル化する：MSPI_t = Λ(β_0 + X_t'β)、L1正則化。
• 初期120か月の訓練と時間系列交差検証によりλを固定する拡張ウィンドームリアルタイム学習プロトコルを採用する。
• L2正則化を用いた遅延市場リターンと実現ボラティリティからなる簡潔なベンチマークと比較する。
• 各訓練ウィンドウ内でPlatt較正を用いて確率出力を得るため、非線形モデル（勾配ブースティング、ランダムフォレスト）を評価する。

Figure 1: MSPI out-of-sample. The solid line plots the predicted probability that the next month is a stress month. Dots mark months for which stress is realized in the subsequent month under the definition in equation ( 8 ).

実験結果

リサーチクエスチョン

• RQ1 株式のみのリアルタイム横断的脆弱性フレームワークは、1か月先の市場ストレス確率をキャリブレーションして出力できるか？
• RQ2 リアルタイム拡張ウィンドウ設計の下で、スパースなLasso-Logit MSPIは識別力と確率精度で非線形学習器と比較してどうか？
• RQ3 MSPIの確率出力は安定して経済解釈可能で、監視・計量経済学での利用に適しているか？
• RQ4 MSPIのレベルとイノベーションは、後続の実現市場結果（ボラ、ボラティリティ等）と関連するか？

主な発見

モデル	AUC	PR-AUC	ブライヤー	ロgロス
MSPI	0.800	0.538	0.106	0.352
Benchmark	0.752	0.444	-	-
Gradient Boosting	0.756	0.481	-	-
Random Forest	0.727	0.447	-	-

• MSPIはアウト・オブ・サンプルAUC0.800およびPR-AUC0.538を達成し、ベンチマークのAUC0.752、PR-AUC0.444を上回る。
• 非線形学習器（勾配ブースティング、ランダムフォレスト）は、識別力やキャリブレーションされた確率精度で一貫してMSPIを上回ることはない。
• MSPIは評価されたモデルの中で最も低いブライヤー（0.106）とログロス（0.352）を記録し、確率精度が高い。
• MSPIの確率経路はモニタリングにおいて、鋭い非線形モデルよりも滑らかで解釈性が高い。
• MSPIの平均予測確率（約0.180）は実現ストレス率（約0.159）に近く、良好なキャリブレーションを反映している。
• MSPIのシグナルは大規模なストレス事象（例：2008-09危機、2020年コロナ）に先行し、時間とともにクラスタリングする。

Figure 2: Out-of-sample stress probability - model horse race (calibrated). MSPI (black) is the L1-logit probability of next-month stress. Random forest (blue) and gradient boosting (orange) are estimated under the same expanding-window design and Platt-calibrated in real time within each training w