技術的サマリー：事後分布のドリフトを伴う過剰パラメータ化モデル

問題定義

本論文は、事後分布のドリフト（概念ドリフトとも呼ばれる）が、過剰パラメータ化線形モデル（パラメータ数 $p$ が観測数 $n$ を超えるモデル）のサンプル外予測精度に与える影響を調査する。近年の文献、特に Kelly ら (2024) は、モデルの複雑さ（パラメータと観測の比率）を増加させることが株式リスクプレミアムの予測に有益であると示唆しているが、これらの知見は多くの場合、訓練フェーズとテストフェーズの間でデータ生成過程（DGP）が不変であるという仮定に依存している。

著者らは、金融市場においてこの不変性はレジーム変化によりほとんど成立しないと主張する。具体的には、彼らは以下の 2 種類の分布シフトを区別する：

1. 共変量シフト：予測変数の分布 ($P_X$) の変化。
2. 事後分布のドリフト：予測変数と目的変数の間の条件付き関係 ($P_{y|X}$) の変化、すなわち回帰係数（ローディング）が時間とともに変化する現象。

中心的な問題は、市場タイミング戦略の文脈において、事後分布のドリフトが複雑な過剰パラメータ化モデルのパフォーマンスをどのように劣化させるかを定量化することである。

手法

本論文は、高次元漸近理論、モンテカルロシミュレーション、および歴史的金融データを用いた実証分析の組み合わせを採用している。

理論的枠組み

著者らは、Hastie ら (2022) の「誤指定された等方性」の結果を、非 i.i.d. データと事後分布のドリフトを伴う設定に拡張する。

• データ生成過程 (DGP)：モデルは $y_i = x_i'\beta + w_i'\theta + e_i$ という線形関係を仮定する。ここで、$x_i$ は観測された特徴量、$w_i$ は観測されていない特徴量である。エージェントは $x_i$ のみを観測するため、モデルは「誤指定」されている。
• ドリフトメカニズム：著者らは、訓練期間（インサンプル）とテスト期間（アウトサンプル）の間で真のパラメータが変化するのを明示的にモデル化する。$(\beta_{is}, \theta_{is})$ を訓練期間中のパラメータ、$(\beta_{oos}, \theta_{oos})$ をテスト期間中のパラメータとする。
• 漸近領域：解析は、$n, p, q \to \infty$ かつ $p/n \to c_\phi$、$(p+q)/n \to c$ となる比例領域において行われる。
• 推定量：本研究は、正則化パラメータ $z$ を持つリッジ推定量、および $z \to 0$ の極限（リッジレス）に焦点を当てる。

実証プロトコル

• データ：著者らは、Goyal ら (2024) に由来し、Kelly ら (2024) と同じデータセットを使用する。これは 14 のマクロ経済指標とラグ付きリターンで構成されている。
• 特徴量拡張：過剰パラメータ化設定を作成するために、ランダムフーリエ特徴量 (RFFs) を用いて 14 の予測変数を $p=600$ の特徴量に拡張する。これにより、$n=12$ ヶ月のローリングデータを用いた場合、複雑さの比率 $c=50$ となる。
• 検証：彼らは、RFFs の非線形性を制御する一連のバンド幅パラメータ ($\gamma$) に対して、15 年間のさまざまなサブ期間にわたって戦略をテストする。
• 変化点検出：事後分布のドリフトの実証的検証のために、推定されたベータの時系列に対して多変量ノンパラメトリック変化点検出アルゴリズム（Londschien ら、2023）を適用する。

主要な貢献

1. 事後分布のドリフトへの理論的拡張

本論文は、事後分布のドリフト下における市場タイミング戦略の期待リターンと分散の解析式を導出する。

• 期待リターン：サンプル外の期待リターンの極限は、インサンプルとアウトサンプルのローディングベクトルのスカラー積に比例することが示される：$E[r] \propto \langle \beta_{is}, \beta_{oos} \rangle$。
• パフォーマンスの劣化：インサンプルとアウトサンプルのローディングが整合していない場合（具体的には、$\langle \beta_{oos} - \beta_{is}, \beta_{is} \rangle < 0$ である場合）、戦略の期待リターンは悪化することが証明される。最悪の場合（直交するローディング）、期待リターンはゼロに低下する。
• リスク調整済みリターン：シャープレシオはシグナル・ノイズ比に極めて敏感であることが示される。金融データに典型的な弱いシグナルを持つ領域では、事後分布のドリフトは、特に低正則化（高複雑度）モデルにおいてシャープレシオの大幅な崩壊を引き起こす。

2. シミュレーションによる検証

モンテカルロシミュレーションを通じて、著者らは戦略のリターンの第 1 次モーメントと第 2 次モーメントに対して導出された理論的極限が成り立つことを検証する。彼らは以下のことを実証する：

• 期待リターンはスカラー積 $\langle \beta_{is}, \beta_{oos} \rangle$ に対して線形である。
• より高い正則化（より大きな $z$）はボラティリティを低減させるが、期待リターンも低減させ、トレードオフを生む。
• 「ダブルデセント」現象（複雑さが補間閾値を超えて増加するにつれてパフォーマンスが向上する現象）は、ドリフトが存在する場合でも依然として成立するが、ピークパフォーマンスはドリフトのないシナリオよりも著しく低い。

3. 不安定性の実証的証拠

実証分析により、過剰パラメータ化モデルのパフォーマンスは時間期間とバンド幅パラメータの両方に対して極めて敏感であることが明らかになった：

• 期間感応性：2005 年から 2019 年の期間で月次リターン 7.24% を達成した戦略は、同じバンド幅設定下で 1975 年から 1989 年の期間では 0.52% に崩壊した。
• バンド幅感応性：最適なバンド幅は静的ではなく、異なる経済レジーム間で変化する。
• 変化点：変化点検出アルゴリズムは、ベータの時系列において顕著な構造的変化（例：1982 年、1963 年、2002 年）を特定し、DGP が安定していないことを確認する。

結果

• パフォーマンスの喪失：理論的結果は、金融パフォーマンスの損失が訓練とテストのローディング間の不一致に直接関連していることを示している。シグナルが弱い場合（低い $R^2$）、事後分布のドリフトの影響は深刻であり、複雑なモデルを単純なベンチマークよりも劣らさせることが多い。
• リスク調整済みリターン：複雑なモデルは特定の好意的なサブ期間において高い/raw リターンを生成できるが、ボラティリティを考慮すると、そのリスク調整済みリターン（シャープレシオ）は不合理に低いか、あるいは負になることが多い。本論文は、月次リターン 0.03 が年率換算で 100% を超えるボラティリティを意味し、これは許容できないほど高いと指摘している。
• 正則化のトレードオフ：正則化パラメータ（バンド幅）を増加させると、戦略のリターンの不確実性と分散は低減するが、同時に平均リターンはゼロに向かって駆動され、リスク調整の観点から複雑さの魅力が低下する。
• 反事実分析：著者らが事後分布のドリフトがない（すなわち、ローディングが一定である）と仮定して「反事実的」リターンを生成すると、戦略のパフォーマンスは著しく向上する。このギャップは、レジーム変化の具体的なコストを定量化する。

意義と主張

本論文は、予測モデルの洗練さが価値をもたらす可能性がある一方で、過剰パラメータ化モデルは無条件に有益ではないと結論づける。著者らは以下を主張する：

1. レジーム変化への感応性：株式リスクプレミアム予測における複雑な線形モデルの有効性は、変化する経済環境によって深刻に脅かされる。以前の文献（例：Kelly ら、2024）で報告された「複雑さの徳」は、特定の安定したサブ期間の人工物か、あるいは事後分布のドリフトの影響の過小評価である可能性がある。
2. 実務家への注意喚起：過剰パラメータ化モデルに依存するアナリストは、バックテストにおけるパフォーマンスの安定性と感応性に特に注意を払わなければならない。結果は、15 年間の保有期間が、特定のレジームと選択されたバンド幅に応じて、非常に不均質なリターンを生成しうることを示唆している。
3. 推奨事項：これらの知見は、株式市場の予測に大規模な線形モデルに頼る際に注意を促すものである。著者らは、複雑さの利益は、シグナルが弱くレジーム変化が頻繁な金融市場において、事後分布のドリフトのリスクによってしばしば上回られると提案している。

要約すると、本論文は、金融における過剰パラメータ化の役割をめぐる曖昧さに対する理論的かつ実証的な説明を提供し、複雑なモデルの不安定性を、基礎となるデータ生成過程の非定常性に起因するものであると帰着させている。