解釈可能なESG-センチメントハイブリッド深層学習による資産リターン予測：定量化された相互作用とレイテンシー認識型デプロイメント

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:Provides a rigorous framework for quantifying ESG–sentiment interactions with regime dependence and latency-aware deployment, with robust statistical tests.

🏢実務担当者:Offers a latency-optimized model that can be integrated into near-real-time trading systems, with clear evidence of improved risk-adjusted returns when incorporating ESG signals.

金融時系列の正確な予測は、環境・社会・ガバナンス（ESG）スコアやニュースベースのセンチメントといった代替データへの依存度を increasingly 高めているが、これらのシグナルがどのように相互作用し、実際に予測を改善するのはいつなのかは、依然として十分に理解されていない。我々は、Temporal Fusion Transformer（TFT）と軽量なSupport Vector Regression（SVR）残差補正器、およびESG特徴量とアスペクトベースの金融センチメント（FinBERTベースのABSA）の明示的なゲート付き後期融合を組み合わせた、解釈可能なハイブリッド資産リターン予測フレームワークを導入する。ゲーティングメカニズムは、サステナビリティシグナルとセンチメントシグナルのどちらを強調するかを学習し、SHAP交互作用値とFriedmanのH統計量は、資産およびレジーム全体にわたるESGとセンチメントの交互作用を定量化する。金融グレードのリーク防止型ウォークフォワードプロトコル（252取引日トレイン/10日テスト、フォールド内スケーリング、ABSA項目は厳密に東部時間16:00以前、ESGはT+3有効、マクロはT+1、HACロバストDiebold–Mariano検定）を、2020年から2024年までの米国大型株テクノロジー株式、主要な世界指数、およびBTC/ETHに適用する。\documentclass[12pt]{minimal} \usepackage{amsmath} \usepackage{wasysym} \usepackage{amsfonts} \usepackage{amssymb} \usepackage{amsbsy} \usepackage{mathrsfs} \usepackage{upgreek} \setlength{\oddsidemargin}{-69pt} \begin{document}$$n=5$$\end{document}の独立したシードにわたって、ハイブリッドモデルは翌日の対数リターンに対して、総合平均絶対誤差が\documentclass[12pt]{minimal} \usepackage{amsmath} \usepackage{wasysym} \usepackage{amsfonts} \usepackage{amssymb} \usepackage{amsbsy} \usepackage{mathrsfs} \usepackage{upgreek} \setlength{\oddsidemargin}{-69pt} \begin{document}$$2.77\times 10^{-3}$$\end{document}、RMSEが\documentclass[12pt]{minimal} \usepackage{amsmath} \usepackage{wasysym} \usepackage{amsfonts} \usepackage{amssymb} \usepackage{amsbsy} \usepackage{mathrsfs} \usepackage{upgreek} \setlength{\oddsidemargin}{-69pt} \begin{document}$$5.18\times 10^{-3}$$\end{document}を達成し、方向的正確度は\documentclass[12pt]{minimal} \usepackage{amsmath} \usepackage{wasysym} \usepackage{amsfonts} \usepackage{amssymb} \usepackage{amsbsy} \usepackage{mathrsfs} \usepackage{upgreek} \setlength{\oddsidemargin}{-69pt} \begin{document}$$94.5\%$$\end{document}、ICは0.39、ICIRは0.82であり、チューニングされたディープラーニングおよび機械学習ベースラインを有意に上回る（HACロバストな資産別Diebold–Mariano検定、BH-FDR \documentclass[12pt]{minimal} \usepackage{amsmath} \usepackage{wasysym} \usepackage{amsfonts} \usepackage{amssymb} \usepackage{amsbsy} \usepackage{mathrsfs} \usepackage{upgreek} \setlength{\oddsidemargin}{-69pt} \begin{document}$$q=0.05$$\end{document}、Fisher集約により\documentclass[12pt]{minimal} \usepackage{amsmath} \usepackage{wasysym} \usepackage{amsfonts} \usepackage{amssymb} \usepackage{amsbsy} \usepackage{mathrsfs} \usepackage{upgreek} \setlength{\oddsidemargin}{-69pt} \begin{document}$$p<0.01$$\end{document}）。シンプルなロングオンリー、閾値ベースのシミュレーションは、保守的な取引コスト想定下で、より高いリスク調整後パフォーマンスとより低い最大ドローダウンを示す。アブレーション研究は、ESGまたはセンチメント特徴量のいずれかを除去すると最大の性能低下が生じること、およびSVR補正器がレジームシフト下で誤差を安定化させることを示している。市場サイクル感応性に直接対処するため、イベント定義のストレス期間（COVID-19クラッシュ、2022年引き締めサイクル、2023年銀行ストレス）と、20日間実現ボラティリティの三分位を用いたボラティリティ定義レジームにわたる安定性を評価する。我々は、レジーム分割の予測および戦略メトリクスを、ブロックブートストラップ信頼区間、各レジーム内のHACロバストDiebold–Mariano検定、およびストレス下でのSVRの分散と歪度の低減を定量化する残差安定化診断とともに報告する。ESGとセンチメントの交互作用は統計的に非ゼロでありレジーム依存性があり、センチメントは不安定な時期に重要性を増し、ESGはより穏やかな市場で重要性を増す。補助的なBiLSTMを除去するレイテンシ最適化バリアントは、精度向上の\documentclass[12pt]{minimal} \usepackage{amsmath} \usepackage{wasysym} \usepackage{amsfonts} \usepackage{amssymb} \usepackage{amsbsy} \usepackage{mathrsfs} \usepackage{upgreek} \setlength{\oddsidemargin}{-69pt} \begin{document}$$90\%$$\end{document}以上を維持しながら、フルモデルの推論時間を約\documentclass[12pt]{minimal} \usepackage{amsmath} \usepackage{wasysym} \usepackage{amsfonts} \usepackage{amssymb} \usepackage{amsbsy} \usepackage{mathrsfs} \usepackage{upgreek} \setlength{\oddsidemargin}{-69pt} \begin{document}$$55\%$$\end{document}削減し（すなわち約\documentclass[12pt]{minimal} \usepackage{amsmath} \usepackage{wasysym} \usepackage{amsfonts} \usepackage{amssymb} \usepackage{amsbsy} \usepackage{mathrsfs} \usepackage{upgreek} \setlength{\oddsidemargin}{-69pt} \begin{document}$$45\%$$\end{document}の削減）、準リアルタイム展開をサポートする。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

Accurate forecasting of financial time series increasingly relies on alternative data such as environmental, social and governance (ESG) scores and news-based sentiment, yet the way these signals interact and when they actually improve forecasts is still poorly understood. We introduce an interpretable hybrid framework for asset return forecasting that combines a Temporal Fusion Transformer (TFT) with a lightweight Support Vector Regression (SVR) residual corrector and an explicit gated late fusion of ESG features with aspect-based financial sentiment (FinBERT-based ABSA). The gating mechanism learns when to emphasize sustainability versus sentiment signals, while SHAP interaction values and Friedman’s H quantify ESG–sentiment interactions across assets and regimes. A finance-grade, leak-proof walk-forward protocol (252 trading days train / 10 days test, within-fold scaling, ABSA items strictly before 16:00 ET; ESG effective T+3; macro T+1, HAC-robust Diebold–Mariano tests) is applied to US large-cap technology equities, major global indices, and BTC/ETH over 2020–2024. Across \documentclass[12pt]{minimal} \usepackage{amsmath} \usepackage{wasysym} \usepackage{amsfonts} \usepackage{amssymb} \usepackage{amsbsy} \usepackage{mathrsfs} \usepackage{upgreek} \setlength{\oddsidemargin}{-69pt} \begin{document}$$n=5$$\end{document} independent seeds, the hybrid achieves aggregate mean absolute error of \documentclass[12pt]{minimal} \usepackage{amsmath} \usepackage{wasysym} \usepackage{amsfonts} \usepackage{amssymb} \usepackage{amsbsy} \usepackage{mathrsfs} \usepackage{upgreek} \setlength{\oddsidemargin}{-69pt} \begin{document}$$2.77\times 10^{-3}$$\end{document} and RMSE of \documentclass[12pt]{minimal} \usepackage{amsmath} \usepackage{wasysym} \usepackage{amsfonts} \usepackage{amssymb} \usepackage{amsbsy} \usepackage{mathrsfs} \usepackage{upgreek} \setlength{\oddsidemargin}{-69pt} \begin{document}$$5.18\times 10^{-3}$$\end{document} on next-day log returns, with directional accuracy \documentclass[12pt]{minimal} \usepackage{amsmath} \usepackage{wasysym} \usepackage{amsfonts} \usepackage{amssymb} \usepackage{amsbsy} \usepackage{mathrsfs} \usepackage{upgreek} \setlength{\oddsidemargin}{-69pt} \begin{document}$$94.5\%$$\end{document}, IC 0.39, and ICIR 0.82, significantly outperforming tuned deep-learning and machine-learning baselines (HAC-robust per-asset Diebold–Mariano tests with BH-FDR \documentclass[12pt]{minimal} \usepackage{amsmath} \usepackage{wasysym} \usepackage{amsfonts} \usepackage{amssymb} \usepackage{amsbsy} \usepackage{mathrsfs} \usepackage{upgreek} \setlength{\oddsidemargin}{-69pt} \begin{document}$$q=0.05$$\end{document}; Fisher aggregation yields \documentclass[12pt]{minimal} \usepackage{amsmath} \usepackage{wasysym} \usepackage{amsfonts} \usepackage{amssymb} \usepackage{amsbsy} \usepackage{mathrsfs} \usepackage{upgreek} \setlength{\oddsidemargin}{-69pt} \begin{document}$$p<0.01$$\end{document}). Simple long-only, thresholded simulations indicate higher risk-adjusted performance and lower maximum drawdown under conservative transaction-cost assumptions. Ablation studies show that removing either ESG or sentiment features yields the largest degradations, and that the SVR corrector stabilizes errors under regime shifts. To directly address market-cycle sensitivity, we evaluate stability across event-defined stress windows (COVID-19 crash, 2022 tightening cycle, and 2023 banking stress) and volatility-defined regimes using terciles of 20-day realized volatility. We report regime-split forecasting and strategy metrics with block-bootstrap confidence intervals, HAC-robust Diebold–Mariano tests within each regime, and residual-stabilization diagnostics that quantify the SVR variance and skewness reduction under stress. ESG–sentiment interactions are statistically non-zero and regime-dependent, with sentiment gaining importance in turbulent periods and ESG in calmer markets. A latency-optimized variant that removes auxiliary BiLSTMs retains over \documentclass[12pt]{minimal} \usepackage{amsmath} \usepackage{wasysym} \usepackage{amsfonts} \usepackage{amssymb} \usepackage{amsbsy} \usepackage{mathrsfs} \usepackage{upgreek} \setlength{\oddsidemargin}{-69pt} \begin{document}$$90\%$$\end{document} of the accuracy gains while reducing inference time by approximately \documentclass[12pt]{minimal} \usepackage{amsmath} \usepackage{wasysym} \usepackage{amsfonts} \usepackage{amssymb} \usepackage{amsbsy} \usepackage{mathrsfs} \usepackage{upgreek} \setlength{\oddsidemargin}{-69pt} \begin{document}$$55\%$$\end{document} of the full model (i.e., a reduction of about \documentclass[12pt]{minimal} \usepackage{amsmath} \usepackage{wasysym} \usepackage{amsfonts} \usepackage{amssymb} \usepackage{amsbsy} \usepackage{mathrsfs} \usepackage{upgreek} \setlength{\oddsidemargin}{-69pt} \begin{document}$$45\%$$\end{document}), supporting near-real-time deployment.

• semanticscholar https://www.nature.com/articles/s41598-026-41985-3_reference.pdffirst seen 2026-07-18 08:13:28 · last seen 2026-08-29 05:28:21