Quasi-average predictions and regression to the trend: an application the M6 financial forecasting competition

本論文は、効率的市場仮説の前提下において、分散の小さい予測手法（平均予測やトレンド回帰）を用いて期待値を予測するアプローチが、過剰適合のリスクが高くベンチマークに劣る可能性のある高変動アプローチよりも、M6 金融予測コンペティションの分析を通じて、平均的に優れた成果をもたらすことを示しています。

要約

この論文は、**「株式市場という巨大で予測不可能な海で、どうすれば他の人より少しだけ賢く泳げるか」**という問いに答えた、非常に興味深い研究報告です。

著者の Jose M. G. Vilar さんは、世界中の 163 チームが参加した「M6 金融予測コンペティション」という大会で、5 位という素晴らしい成績を収めました。彼が勝てた秘訣は、複雑な数式や AI を使った「完璧な予測」ではなく、**「平均に戻ろうとする力（回帰）」と「あえて大雑把に予測する」**という、一見すると逆説的なアプローチでした。

この論文の内容を、日常の風景に例えながら解説しましょう。

---

1. 市場は「すでに全てを知っている」

まず、この研究の前提となる**「効率的市場仮説」という考え方があります。
これは、「株式市場は超能力者だらけで、新しい情報は瞬時に価格に反映されてしまう」**という状態です。

• 例え話: 天気予報を想像してください。もし世界中のすべての人が「明日は雨だ」と知っていれば、傘を売る店はすぐに値上げし、雨具の在庫も増えます。結果として、明日の「雨」という事実は、すでに今日の市場（価格）に織り込まれています。
• 結論: 公開されている情報だけで「明日は絶対にこの株が上がる！」と正確に言い当てて、常に他の人より儲けることは、ほぼ不可能です。実際、プロの投資家（アクティブ・ファンド）の多くは、単純に市場全体に投資する（インデックスファンド）ことよりも、成績が劣ります。

2. 著者の戦略：「完璧な予測」より「平均的な予測」

多くの参加者は、「どの株が最も上がるか」を正確に当てようとして失敗しました。著者は逆に、「正確さ」を捨てて「平均」に賭けました。

• 例え話（クジラと小魚）:
  100 匹の魚（100 銘柄）が泳いでいるとします。

  • 失敗した人々: 「あ、あの青い魚が次に一番速く泳ぐに違いない！」と、特定の魚に賭けました。しかし、魚は気まぐれで、予想外に止まったり、逆に急加速したりします。
  • 著者の戦略: 「特定の魚がどこに行くかはわからないけど、『魚全体』の平均的な動きや、『この種類の魚（ETF）』の平均的な動きなら、ある程度予測できる」と考えました。

  著者は、「特定の銘柄が急騰する」という極端な予測を避け、過去の平均的な動き（トレンド）に回帰する（平均に戻る）という性質を利用しました。

  • メタファー: 「調子に乗って走りすぎたランナーは、必ず息を切らしてペースを落とす（平均に戻る）」という現象を利用したのです。

3. 具体的な戦術：「調子に乗った株」を避ける

著者のポートフォリオ（投資の組み立て方）には、2 つの面白いルールがありました。

1. 長期的に良い株を選ぶ: 過去 120 日間で、半分より良い成績を残した株を選びます。
2. 直近で「調子に乗った」株を捨てる: 過去 40 日間で、トップ 15% に入っているような「調子に乗って急騰した株」は、あえて買いません。
   • 理由: 調子に乗って急騰した株は、必ず「平均に戻ろうとして下落する（リターン・トゥ・ザ・トレンド）」可能性が高いからです。これを「回帰」と呼びます。
   • 例え話: 試験でいつも平均点の生徒が、たまたま一発で満点を取ったとします。次の試験では、また平均点に戻りやすいですよね？著者は「満点を取った生徒（急騰株）には賭けない」という戦略をとりました。

4. 波動を消す「ショート（空売り）」の魔法

さらに、著者はリスクを減らすために、**「ETF（投資信託のようなもの）」を「空売り（価格が下がることを賭ける）」**しました。

• 例え話（波の消しゴム）:
  株式投資は、波の激しい海をボートで進むようなものです。
  • 普通の投資: 波に乗りながら進みますが、揺れが激しく、船が転覆するリスクがあります。
  • 著者の戦略: 船（株式）に乗る一方で、**「波を打ち消すための浮き輪（空売り）」**を同時に使います。
  • 結果、船の揺れ（変動）は小さくなります。利益の総額は少し減るかもしれませんが、**「揺れずに安定して進む」**ことができるため、結果的に「リスク調整後の成績（情報比率）」が劇的に向上しました。

5. なぜこれが勝てたのか？

このコンペティションでは、163 チーム中多くのチームが「複雑なモデル」や「高度な AI」を使って、**「未来を正確に予測しよう」**として失敗しました。

著者の勝因は、**「未来を正確に予測するのは無理だから、平均的な動きに賭ける方が、結果的に確実性が高い」**というシンプルな発想でした。

• 重要な教訓: 不確実性が高い世界（株式市場）では、「細かい予測」よりも「大まかな傾向（平均）」に頼る方が、長期的には勝つ確率が高いのです。

まとめ

この論文が教えてくれることは、**「完璧な予測をしようと必死になる必要はない」**ということです。

• 市場はすでに情報を織り込んでいる。
• 急激に調子に乗ったものは、必ず平均に戻る。
• 激しい揺れ（リスク）を消すために、あえて逆の動きをする（空売り）ことで、安定した利益を得られる。

著者は、**「複雑な計算よりも、自然の法則（平均への回帰）に従うこと」**が、実は最も賢い投資戦略であることを証明しました。まるで、嵐の海で「波の動きを正確に予測する」のではなく、「波に逆らわず、平均的な流れに乗って揺さぶりを抑える」ことで、無事に目的地にたどり着いたようなものです。

技術概要

論文要約：M6 金融予測コンペティションにおける準平均予測とトレンドへの回帰

以下は、Jose M. G. Vilar 氏による論文「Quasi-average predictions and regression to the trend: an application the M6 financial forecasting competition」の技術的詳細な要約です。

1. 問題設定 (Problem)

本論文は、**効率的市場仮説（Efficient Market Hypothesis, EMH）**の文脈における金融予測の難しさと、M6 金融予測コンペティション（M6 Financial Forecasting Competition）への応用を扱っています。

• 背景: 効率的市場仮説によれば、すべての利用可能な情報は資産価格に即座に反映されるため、公開データに基づいて一貫して平均以上のリターンを得ることは不可能とされます。実際、過去 10〜20 年間で、米国のアクティブ運用ファンドの大部分がベンチマーク（S&P500 など）を下回っており、ランダムな分布よりもパフォーマンスの持続性が低い傾向（平均への回帰）が観察されています。
• 課題: 高い変動性（ボラティリティ）を持つ市場環境下において、個別の資産の正確な値を予測しようとするアプローチは過学習（overfitting）に陥りやすく、ベンチマークを下回るリスクが高いです。
• 目的: 高い不確実性下において、個別の「実際の値」を予測するのではなく、「期待値（平均）」や「カテゴリの傾向」を予測することの有効性を検証し、M6 コンペティションで高い成績を収めた手法を分析・提示すること。

2. 手法 (Methodology)

提案されたアプローチは、**「低分散予測（Low dispersion predictions）」と「トレンドへの回帰（Regression to the trend）」**の 2 つの柱に基づいています。使用データは M6 コンペティションの 100 資産（S&P500 銘柄 50 社、国際 ETF 50 社）の過去値のみです。

A. 予測性能の向上（Ranked Probability Score: RPS）

資産の順位（クインタイル）を予測するタスクにおいて、以下の平均化戦略を採用しました。

1. カテゴリ平均と時間平均の組み合わせ:
   • 資産タイプ（株式 vs ETF）ごとの平均パフォーマンス分布。
   • 各資産の時間的な平均パフォーマンス分布。
   • これらを組み合わせて、各資産の期待順位を推定します。
2. 理論的根拠: 平均値は二乗誤差を最小化する量であり、高い変動性がある場合、平均からの大幅な逸脱は有益な情報を持たない限り、予測精度を低下させます（凸関数の性質による）。
3. 重み付け: 短期（5 期間）、中期（10 期間）、長期（400 期間）の移動平均をそれぞれ 0.2, 0.2, 0.6 の重みで結合し、資産タイプごとの平均と統合しました。

B. 投資判断の最適化（Information Ratio: IR）

リスク調整済みリターンを最大化するポートフォリオ構築において、以下の戦略を採用しました。

1. トレンドへの回帰戦略（Regression to the Trend）:
   • ロング: 過去 120 日間で上位 50% に入っている銘柄を選択（長期的な強さを重視）。
   • 除外: 過去 40 日間で上位 85% に入っている銘柄を除外（短期的な過熱・過剰反応を避ける）。
   • 理論的根拠：極端な値は平均へ回帰する傾向があるため、直近の急騰銘柄は将来的に調整される可能性が高いと仮定します。
2. 補償戦略（Compensated Approach）:
   • 上記の株式ロングポートフォリオに加え、ETF を**ショート（空売り）**することでボラティリティを抑制します。
   • ポートフォリオ構成：株式ロング 2/3、ETF ショート 1/3。
   • 目的：リターンはベンチマークと同程度に保ちつつ、標準偏差（リスク）を下げ、情報比率（IR）を最大化する。

3. 主要な貢献 (Key Contributions)

1. 高変動環境における予測哲学の提示: 不確実性の高い市場では、個別の正確な値を予測するよりも、カテゴリやトレンドの「期待平均値」を予測する方が、統計的に有効であることを実証しました。
2. M6 コンペティションでの実証: 複雑な機械学習モデルや外部データを用いず、単純な移動平均とランキングのみに基づく手法で、総合スコアで 163 チーム中 5 位（第 1 四半期は 3 位）という好成績を収めました。
3. 投資戦略の逆説的アプローチ: 「短期的な過剰なパフォーマンス（直近の急騰）を排除し、長期的な安定性を重視する」ことで、ベンチマークを上回るリスク調整済みリターン（IR）を達成できることを示しました。
4. ETF ショートの有効性: 株式だけでなく ETF をショートすることで、ポートフォリオ全体のボラティリティを効果的に低下させ、IR を向上させる手法を提案しました。

4. 結果 (Results)

• 予測精度 (RPS):
  • ベンチマーク（無情報予測、RPS=0.16）に対して、提案手法はRPS 0.1573を達成（最優秀チームは 0.1565）。
  • 単純な平均値予測が、ランダムな予測や特定のクインタイルへの偏りよりも優れていることが確認されました。
• 投資パフォーマンス (IR):
  • ベンチマークの IR は 0.4535 でした。
  • 「トレンドへの回帰」戦略のみで IR 1.301 を達成。
  • 「補償戦略（株式ロング＋ETF ショート）」に切り替えた最終的な結果でも、IR は 1.301 を維持し、ベンチマークを大幅に上回りました。
  • 総合評価（予測精度＋投資判断）で 163 チーム中5 位となりました。
• アクティブ運用の限界の裏付け: 本コンペティションの結果（参加チームの大部分がベンチマークを下回った）は、実際の金融市場におけるアクティブ運用ファンドの失敗率と類似しており、市場の効率的性を支持する結果となりました。

5. 意義と結論 (Significance)

• 実用的な洞察: 高度なアルゴリズムや膨大なデータがなくても、統計的な原理（平均への回帰、分散の最小化）を適切に適用することで、市場平均を上回るパフォーマンスが達成可能であることを示しました。
• 予測の限界と可能性: 効率的市場仮説の下では、個別の値を正確に予測することは極めて困難ですが、「期待値」や「分布」を予測することは価値があり、投資判断に活用できることを示唆しています。
• 今後の方向性: 資産クラスをさらに細分化（クラスタリング）したり、ベイズ推論を用いて時系列とカテゴリの情報を統合したりすることで、さらなる改善の余地がある一方、トップチーム間のスコア差が小さいことから、予測精度のさらなる向上には限界がある可能性も示唆しています。

総じて、本論文は「複雑さを排除し、統計的な平均と回帰の原理に立ち返る」ことが、不確実性の高い金融市場において有効な戦略となり得ることを、M6 コンペティションという厳格なテストベッドを通じて実証したものです。