FatKatは、1990年代初頭にトロント大学で開発された人工知能の研究プロジェクトである。このプロジェクトは、ニューラルネットワークを金融市場の予測と取引に応用することを目的として設計され、機械学習とクオンツ金融を組み合わせた最初期の学術的取り組みの一つを代表するものであった。システム名であるFatKatは、開発者によって選ばれた内部コードネームであり、正式な頭字語を表すものではなかった。
このプロジェクトは、大学のコンピュータ科学部内の大学院生と教員からなるチームが主導し、人工知能研究グループのより広範な傘下で活動していた。FatKatの主な革新は、バックプロパゲーションで訓練されたネットワークを用いて過去の価格データのパターンを識別したことであり、これは当時の金融AIを支配していたルールベースのエキスパートシステムからの脱却を意味していた。このシステムは、S&P 500やトロント証券取引所総合指数などの主要株式指数の日次終値を処理し、ネットワークの出力に基づいて買いまたは売りのシグナルを生成した。
技術的アーキテクチャ
FatKatのアーキテクチャは、20個の入力ノード、12個の隠れユニット、および単一の出力ノードからなる3層フィードフォワードネットワークで構成されていた。入力特徴には、ラグ付き価格リターン、移動平均、および5日、10日、30日のウィンドウで計算されたボラティリティ推定値が含まれていた。ネットワークは、確率的勾配降下法を用いて、固定学習率0.01と運動量項0.9で訓練され、これは1994年の技術報告書に記載されている。
訓練データは1985年1月から1992年12月までを対象とし、1993年1月から1994年6月までの別の検証期間が過学習を防ぐために使用された。チームは、金融アプリケーションではまだ標準的ではなかった早期停止と重み減衰正則化を採用した。FatKatはSun SPARCstation 2ワークステーション上で動作し、これは毎秒約420万回の浮動小数点演算を提供し、データセット全体に対する単一の訓練エポックには約45分を要した。
研究成果
1994年7月から1995年12月までのS&P 500に対するバックテストでは、FatKatは年率14.3パーセントのリターンを達成し、同期間のバイ・アンド・ホールド戦略の9.8パーセントを上回った。しかし、システムの平均二乗誤差はサンプル外データで高いままであり、取引コスト（1取引あたり0.5パーセントと推定）により、純パフォーマンスは年率11.2パーセントに低下した。1996年に発表されたプロジェクトの最終報告書は、FatKatの予測精度が市場のボラティリティが高い期間、特に1994年の債券市場危機の際に著しく低下したことを指摘した。
これらの混合した結果にもかかわらず、FatKatはニューラルアプローチが金融時系列から統計的に有意なシグナルを抽出できることを実証した。プロジェクトのコードと文書は後に大学の計算ファイナンスに関する大学院レベルのコースに組み込まれ、チームメンバーの数名はシカゴとニューヨークのクオンツヘッジファンドで働くことになった。
遺産と影響
FatKatの影響は学界を超えて広がった。ローリングウィンドウ正規化の使用など、その特徴エンジニアリングへのアプローチは、経済予測のためのニューラル手法を探求したベル研究所の研究者による1998年の論文で引用された。このシステムはまた、市場シミュレーションのための生成モデルにおける後の発展を先取りしていたが、2010年代に登場するトランスフォーマーアーキテクチャは欠如していた。
このプロジェクトは、主要な教員アドバイザーがスタンフォード大学に移った1997年に中止された。FatKatの商用版は決してリリースされず、そのソースコードも公開されることはなかった。しかし、1994年の技術報告書と1996年の最終報告書は大学の図書館アーカイブを通じて引き続きアクセス可能であり、金融におけるAIの現代の調査で時折参照されている。
同時代のシステムとの比較
FatKatは、富士通がスポンサーとなった日本での遺伝的アルゴリズムを用いたポートフォリオ最適化の取り組みや、NECが通貨取引にファジィ論理を適用したシステムなど、他のいくつかの初期の金融AIプロジェクトと同時期に存在した。これらのルールベースまたは進化的アプローチとは異なり、FatKatの勾配ベースの学習への依存は、変化する市場状況により適応的であったが、過学習を起こしやすいものでもあった。単一のワークステーションで動作するその控えめな計算要件は、現代の取引システムで使用される専用ハードウェアとは対照的であったが、履歴データから学習するというその中核原理は、現代のクオンツ金融モデルの基礎であり続けている。