On goodness-of-fit testing for volatility in McKean-Vlasov models

絶えず人々が動き、意思決定を行い、互いに反応し合っている、活気ある都市を想像してみてください。科学の世界では、これはしばしば「拡散系（diffusion system）」と呼ばれるものを用いてモデル化されます。それは、巨大で目に見えない粒子の雲が周囲を渦巻いているようなものです。古典的な古い手法では、科学者たちは各粒子が自分のすぐ近くの環境だけを気にしていると仮定していました。まるで、目の前の地面だけを見つめて歩く通行人のようなものです。しかし、現実の世界はもっと相互に繋がっています。前方に人が集まっているのを見て歩き方を変えたり、街中に広がる噂を聞いたりして、人の歩みが変わることもあります。これが「マッケーン・ヴラソフ（McKean–Vlasov）」モデルの世界です。これは、個々の粒子の動きが、単に自分がどこにいるかだけでなく、自分が属する群衆の「形と雰囲気」全体に依存していることを意味する、少し凝った言い方です。

これらの粒子が動くたびに、彼らは小刻みに震えます。時には慎重に小さなステップを踏み、時には激しく前方へ飛び出します。数学において、この震えは「ボラティリティ（揮発性/変動性）」と呼ばれます。これは、システムがいかに混沌としているか、あるいは予測不可能であるかの尺度です。もし群衆がどこへ向かうかを予測したいのであれば、あるいは金融市場がどれほどリスクが高いかを知りたいのであれば、その震えがどれほど起きているかを正確に知る必要があります。しかし、ここが難しいところです。これほど複雑で、群衆に依存するシステムにおいては、私たちの「震え」に関する推測が本当に正しいかどうかをチェックするための、信頼できる「嘘発見器」を誰も作っていませんでした。ルールを推測することはできても、その推測が収集したデータの実態と一致しているかどうかを厳密にテストする方法を持っていなかったのです。

本論文は、そのギャップを埋めるために登場しました。著者であるアクラム・ヘイダリとマーク・ポドルスキは、これらの群衆依存型システムに特化した新しい統計的な「嘘発見器」を開発しました。彼らは、膨大な数の粒子（何千人もの人々を同時に観察することを想像してください）を観察し、その群衆の「震え」が、私たちが考えている特定のパターンに従っているかどうかをチェックするテストを作成しました。彼らは、十分な数の人々を、十分な期間、そして非常に細かく（高頻度データで）観察すれば、あなたのテストが、その混沌のモデルが正しいのか、それとも大幅に的外れなのかを、規定された統計的信頼度をもって教えてくれることを証明しました。それは、ようやく「よし、群衆は神経質な猫のように震えていると思ったが、データによれば、実際には振られたソーダ缶のように震えていたのだ」と言える方法を手に入れたようなものです。

群衆と震えの物語

この科学的な冒険の詳細に踏み込んでいきましょう。著者たちは、$N$ 個の粒子からなるシステムを扱っています。これを視覚化するために、非常に大きな数である $N$ 人の人々で満たされた巨大なスタジアムを想像してください。各人は「粒子」であり、彼らは一定の期間（例えば、開始のホイッスルから終了のブザーまで）の間、移動しています。

この特定のセットアップでは、人々は互いに独立したコピーですが、全員が同じ「群衆の法則（crowd law）」の影響を受けています。これは、AさんがBさんに直接話しかけることはなくても、Aさんの動きはスタジアムにいる全員の「平均的な」振る舞いに影響されることを意味します。もし群衆がパニックになり始めれば、たとえ誰がパニックを引き起こしたのかを直接見ていなくても、Aさんは走り始めるかもしれません。これが「マッケーン・ヴラソフ」のマジックです。個人は集団によって形作られるのです。

著者たちが答えを出したいと考えていた大きな問いは、「ボラティリティ」についてでした。私たちのスタジアムの比喩では、ボラティリティとは、人々がどれほどランダムに足をもたつかせたり、よろめいたり、あるいは疾走したりしているかということです。現実の世界では、これは株価の乱高下であったり、化学反応における温度の変動であったりします。著者たちは、特定の仮説をテストしたいと考えました。「これらの人々の震え方は、私たちが書き出した特定の数式に従っているのだろうか？」

通常、より単純なモデルでは、一人の人物の経路を見るだけでルールを把握できます。しかし、この群衆依存の世界では、一人の人物を見るだけでは不十分です。なぜなら、その人の経路は、自分自身の選択と群衆の影響が混ざり合ったものだからです。そこで、著者たちは巧妙な計画を立てました。「適合度（Goodness-of-Fit）」テストを提案したのです。これは、「間違い探し」ゲームのようなものです。

このゲームの仕組みは以下の通りです：

1. 推測： 群衆がどのように震えるかについての理論があります。例えば、震えは3種類の異なる動き（歩行、ジョギング、ダンスなど）の単純な混合であると考えているかもしれません。これを数学的な公式として書き留めます。
2. 観察： スタジアムへ行き、非常に短い間隔で全員の位置のスナップショットを撮ります。一人の人物だけを見るのではなく、$N$ 人全員を観察し、これらのスナップショットを非常に頻繁に（高頻度データとして）取得します。
3. テスト： 実際に見たものと、あなたの公式が予測したものとを比較します。あなたの推測と現実との間の「距離」を計算します。もし距離がゼロ（またはそれに近い）であれば、あなたの推測は良好です。もし距離が非常に大きければ、あなたの推測は間違っています。

著者たちは単にテストを発明しただけではありません。彼らは、このテストが実際に機能することを証明しました。彼らは、$N$（人数）を増やし、かつスナップショットを取る速度（$\Delta_n$ をどんどん小さくしていくこと）を上げれば、テストの精度が驚異的に高まることを示しました。

ただし、注意点があります。著者たちは、人数と観察の速度を好きなように極端に上げてよいわけではないことを見出しました。そこには繊細なバランスが存在します。テストが完璧に機能するためには、$N$ と $\Delta_n^2$（スナップショット間の時間の二乗）の積が非常に小さな数にならなければならないことを彼らは証明しました。平易な言葉で言えば、もし膨大な数の人々がいるのであれば、エラーを避けるために、観察の速度を「極めて」速くしなければならないということです。もし観察が遅すぎると、データの「ノイズ」がテストを台無しにし、モデルが間違っているにもかかわらず、正しいと判断してしまう可能性があるのです。

彼らが発見したこと

本論文の主な発見は、このテスト手法が有効であるという数学的な証明です。彼らは、適切な条件下（大量の粒子、非常に高速な観察、そしてその両者の間の特定のバランス）において、テストが算出する「距離」が予測可能な挙動を示すことを確立しました。

具体的には、群衆の震えに関するあなたの推測が正しければ、テスト統計量はゼロを中心とした「ベルカーブ（正規分布）」に従うことを証明しました。これは極めて重要です。なぜなら、これにより「信頼レベル」を設定できるからです。例えば、95%の確信を持ちたい場合、閾値を設定できます。もしテスト結果がその閾値を大きく外れた場合、あなたのボラティリティに関する推測が間違っていると、95%の信頼度を持って断言できるのです。

また、彼らは実用的な問題にも取り組みました。「群衆の正確なルールが分からない場合、どうやってベルカーブの形を知ればよいのか？」という問題です。彼らは「サブサンプリング（部分抽出）」と呼ばれる手法を提案しました。10,000人のスタジアムを想像してください。その全員を使って曲線の形を特定する代わりに、彼らを100人ずつの100の小さなグループに分割します。それぞれのグループに対して個別にテストを実行します。グループ同士は独立しているため、これらの小さなグループの結果を用いることで、大きな曲線の形状を推定することができます。彼らは、この方法が機能し、モデルが良いか悪いかを判断するための信頼できる方法を提供することを証明しました。

なぜこれが重要なのか

この論文が登場する前、科学者たちは、粒子が単独で行動する単純なシステムをテストするための優れた道具を持っていました。しかし、金融市場、生物学的個体群、あるいは大規模なエンジニアリング・システムのように、全員が互いに影響を与え合う複雑なシステムにおいて、その「震え（ボラティリティ）」の部分が正しいかどうかを厳密にチェックする方法はありませんでした。美しいモデルを構築できたとしても、その混沌を記述する部分が正確であるかどうかを確認できなかったのです。

本論文は、この問いに答えるための最初の厳密な枠組みを提供します。これは単に「これはうまくいくかもしれない」と言っているだけではありません。「ここに、このテストが機能することを示す数学的証明があり、ここにエラーの計算方法があり、そして、いつ悪いモデルを棄却すべきかを示す方法がある」と述べているのです。

著者たちは、自分たちが「やっていないこと」についても非常に明確に述べています。彼らは未来を予測する問題を解決したわけではありません。彼らのテストが想像しうるあらゆる種類の群衆行動に対して機能すると主張しているわけでもありません。彼らは、粒子が互いに独立したコピー（i.i.d.）であり、観察が離散的（連続的なビデオではなく、スナップショットであること）なシステムに焦点を絞っています。また、粒子数と観察速度のバランスが適切でない場合、テストにバイアスが生じ、誤った安心感を与える可能性があることも指摘しています。

結局のところ、この論文は科学者に、新しく校正された「定規」を手渡すようなものです。以前の科学者は、ゴム製の定規を使って複雑な群衆の混沌を測ろうとしていました。今や、彼らは、モデルが現実の混沌からどれほど逸脱しているかを正確に教えてくれる、数学的に証明された硬いツールを手にしています。これは、システムの中で最も予測不可能な部分である「ボラティリティ」を検証する方法を持つことで、研究者が自身のモデルをより信頼できるようにするための、基礎的な一歩なのです。