Explainable Regime Aware Investing

この論文は、2 乗ワッサーシュタイン距離を用いた厳密な因果関係を持つ隠れマルコフモデルに基づく説明可能なレジーム認識型ポートフォリオ構築フレームワークを提案し、その動的な複雑性制御とレジームの同一性維持が、高いリスク調整後リターンと低い最大ドローダウンを実現する上で決定的な要因であることを示しています。

要約

🌦️ 投資における「天気予報」の話

投資の世界では、市場は常に一定ではありません。

• 晴れの日（好況）： 株価が上がり、みんなが元気。
• 嵐の日（不況）： 株価が暴落し、みんなが怯える。
• 曇りの日（停滞）： 動きが鈍く、方向性がわからない。

これまでの投資手法は、「常に同じ割合で株と債券を買う（等しく配分）」か、「過去のパターンを単純に信じて動く」ことが多かったのですが、これでは**「嵐の日に傘を持たずに歩き続ける」**ようなものです。

この論文は、**「市場の天気（レジーム）を正確に予測し、天気に合わせて傘（債券）やサングラス（株）を素早く取り替える」**ための新しいシステムを提案しています。

---

🧩 3 つの重要な工夫（魔法の道具）

この新しいシステム「ワーシュタイン HMM」は、3 つの魔法の道具を組み合わせています。

1. 「未来の天気」を予測するコンパス（予測モデル選択）

従来の方法は、「過去 10 年のデータを見て、これからの天候パターンは『3 つ』だと決めつけていました」。しかし、市場は複雑で、パターンが突然増えたり減ったりします。

• この論文の工夫： 「今のデータを見て、明日の天候を予測する精度が最も高くなるように、パターン（レジーム）の数を毎日、自動で調整する」のです。
• 例えるなら： 旅行の計画を立てる際、天気予報が「雨」なら傘を、「晴れ」なら帽子を、その日の予報に合わせて最適な数だけ準備し直すような感覚です。

2. 「名前」を忘れない魔法のタグ（テンプレート追跡）

ここが最も重要なポイントです。AI が「パターン A」「パターン B」と名前をつけても、毎日計算し直すと、**「昨日の『嵐』が、今日は『曇り』の名前をもらってしまう」**という混乱（ラベルの入れ替わり）が起きがちです。これでは投資家が混乱して、無駄な売買を繰り返してしまいます。

• この論文の工夫： 「2-Wasserstein 距離」という数学的な定規を使って、新しいパターンを「過去のどの天気に似ているか」を几何学的に測り、「これは間違いなく『嵐』だ」と名前を固定します。
• 例えるなら： 毎日新しい料理を作っても、「これは『カレー』だ」という名前を、味や香りの似ている度合いで一貫して付け続けるような感覚です。名前が変わらないので、投資家は「あ、またカレーの季節だ」と安心して行動できます。

3. 無駄な動きを減らすブレーキ（取引コスト意識）

天気が少し変わっただけで、全財産を株から債券に全額移すのは、手数料が高くつき、非効率です。

• この論文の工夫： 天候の変化が「本物」か「一時的な揺らぎ」かを区別し、必要以上に頻繁に乗り換えをしないようにブレーキをかけます。
• 例えるなら： 外が少し曇っただけで、家を出て傘を買いに行くのではなく、「本当に雨が降りそうになったら」だけ傘を差す、という賢い判断です。

---

📊 実際の結果：2025 年の「解放の日」ショック

論文では、2025 年初頭に起きた「解放の日（Liberation Day）」と呼ばれる株式市場の急落をシミュレーションしました。

• 従来の方法（株を買い続ける）： 暴落の直撃を浴び、資産が14% 以上減りました。
• この新しい方法： 市場が「嵐（パニック）」モードに入ったことを即座に検知し、株を減らして、安全な債券や金、ドルへ移動させました。その結果、損失は5% 未満に抑えられました。

まるで、**「嵐が来る前に、船を港に避難させた船長」**のような働きです。

---

🆚 他の AI との違い：KNN（近隣法）との比較

研究では、この新しい方法を「KNN（最近傍法）」という、別の AI 手法と比較しました。

• KNN（近隣法）： 「過去のデータで、今の状況に一番似ている日を探して、その日の動きを真似する」方法です。
  • 弱点： 似ている日を探す基準が少し変わるだけで、答えがガクッと変わってしまいます。まるで**「天気予報が『晴れ』から『曇り』に変わるたびに、服を全部脱ぎ捨てて新しい服を着直す」**ような状態で、手数料ばかりがかかり、資産が安定しません。
• 新しい方法（ワーシュタイン HMM）： 市場の構造そのものを理解し、**「滑らかで安定した」**判断を下します。結果として、手数料が圧倒的に少なく、資産の増え方も滑らかでした。

---

💡 まとめ：何がすごいのか？

この論文の結論はシンプルです。

「市場の天気（レジーム）を見つけること」自体が目的ではなく、「その天気の正体を安定して見つけ続け、名前を間違えずに、無駄な動きをせずに行動すること」が、資産を守る最大の鍵である。

• 安定した名前： 混乱しないように、天候のパターンに名前を固定する。
• 賢い調整： 天候の変化に合わせて、必要なパターンの数だけ増減させる。
• 結果： 暴落時のダメージを大幅に減らし、手数料も抑えて、長期的に資産を育てる。

これは、投資において「予測の精度」だけでなく、「予測の安定性」こそが、実際の利益（パフォーマンス）に直結することを示した、非常に実用的で画期的な研究です。

技術概要

論文概要：説明可能なレジーム意識型投資

著者: Amine Boukardagha (Columbia University)
提出日: 2026 年 2 月 21 日 (arXiv:2603.04441v1)

1. 背景と課題 (Problem)

日次のポートフォリオ構築において、投資家は「変化する市場構造への迅速な適応」と「推定ノイズおよび取引コストへの頑健性」という相反する二つの目標を調整する必要があります。

従来のレジームスイッチングモデル（隠れマルコフモデル：HMM など）を日次で運用する際、以下の 2 つの運用上の課題が顕在化します。

1. モデル次数の不安定性: 市場の複雑さの変化に伴い、適切なレジーム（状態）の数が時間とともに変化する可能性があるため、固定されたモデル次数は脆弱です。
2. ラベルの入れ替わり（Label Switching）: 繰り返し再推定を行う際、潜在状態の識別子（ラベル）が推定ごとに入れ替わる現象が発生します。これにより、レジームの経済的解釈が不安定になり、ポートフォリオ最適化の出力（ウェイト）が過度に振動し、取引コスト（ターンオーバー）が急増します。

既存の非パラメトリック手法（KNN など）は、特徴空間の微小な摂動によって近傍集合が不連続に変化するため、日次頻度では条件付きモーメントの推定が不安定になり、結果として極端なターンオーバーとドローダウンを引き起こします。

2. 提案手法 (Methodology)

本論文は、**「厳密な因果性を持つ Wasserstein 隠れマルコフモデル（Wasserstein HMM）」**に基づく説明可能なレジーム意識型ポートフォリオ構築フレームワークを提案します。このモデルは、以下の 3 つの主要要素を統合しています。

2.1 厳密な因果性を持つローリング HMM 推定

• 過去データのみを用いた厳密な因果的（strictly causal）な拡張ウィンドウ（ローリング）推定を行います。
• 特徴量ベクトル $x_t$ として、日次リターン $r_t$、60 日移動平均ボラティリティ $\sigma_t$、20 日移動平均リターン $m_t$ を使用します。

2.2 予測に基づくモデル次数選択 (Predictive Model-Order Selection)

• 従来の BIC などの静的な情報基準ではなく、**1 歩先予測対数尤度（one-step-ahead log-likelihood）**に基づき、モデルの次数（レジーム数 $K$）を動的に選択します。
• これにより、市場の複雑さに応じてレジーム数が適応的に増減し、過学習を防ぎつつ予測精度を最大化します。

2.3 2-Wasserstein 距離に基づくテンプレート追跡 (Template-Based Identity Tracking)

• 核心となる技術: 再推定ごとに生じるラベルの入れ替わりを回避するため、各ガウス成分を「永続的なレジームテンプレート」にマッピングします。
• マッピングには、多変量正規分布間の2-Wasserstein 距離（閉形式で計算可能）を使用します。
  $$W_2^2(\mathcal{N}(\mu_1, \Sigma_1), \mathcal{N}(\mu_2, \Sigma_2)) = \|\mu_1 - \mu_2\|^2 + \text{Tr}(\Sigma_1 + \Sigma_2 - 2(\Sigma_1^{1/2}\Sigma_2\Sigma_1^{1/2})^{1/2})$$
• テンプレートは指数平滑化により更新され、レジームのアイデンティティを幾何学的に維持しつつ、構造の滑らかな進化を許容します。これにより、組み合わせ最適化を伴うラベル割り当てを不要にし、レジームの連続性と経済的解釈性を保ちます。

2.4 取引コストを考慮した平均・分散最適化 (MVO)

• 推定されたレジーム確率を重みとして、テンプレート条件付きのモーメント（期待リターンと共分散）を算出します。
• これらを、取引コスト（ターンオーバーペナルティ）を明示的に含めた平均・分散最適化（MVO）に投入し、日次のポートフォリオウェイトを決定します。

3. 主要な貢献 (Key Contributions)

1. 幾何学的に根拠のあるレジーム推論フレームワークの提案: 予測的な複雑性制御と Wasserstein 距離に基づくアイデンティティ固定を組み合わせた、高頻度運用に適した新しい HMM 構造を確立しました。
2. レジーム安定性の経済的価値の証明: レジームのアイデンティティ安定性が、ポートフォリオのドローダウンや実装上のロバスト性（ターンオーバーの抑制）に第一義的な決定要因であることを実証しました。
3. 説明可能性の向上: 安定したテンプレートにより、各レジーム（例：インフレ期、リスクオン期など）における資産クラスのパフォーマンスを解釈可能にし、戦略の意思決定プロセスを透明化しました。

4. 実証結果 (Results)

2005 年から 2026 年までの多資産（株式、債券、金、原油、ドル）データを用いたアウトオブサンプル（OOS）検証を行いました。

4.1 パフォーマンス比較

• リスク調整後リターン: Wasserstein HMM はシャープレシオ 2.18 を達成し、等加重ポートフォリオ（1.59）や S&P500 買い持ち（1.18）を大幅に上回りました。
• ドローダウン: 最大ドローダウンは -5.43% であり、S&P500 買い持ち（-14.62%）に比べて劇的に抑制されました。
• 2025 年初頭の株式暴落（「解放の日」）: 市場がストレス状態へ移行した際、モデルは株式エクスポージャーを自動的に削減し、債券やドルなどの防御的資産へシフトしました。これにより、ピークから底への損失を大幅に軽減しました。

4.2 非パラメトリック手法（KNN）との比較

• ターンオーバー: KNN 手法は平均日次ターンオーバーが 0.5665 と極端に高く、95% 分位で 1.0 を超える日が多発しました。一方、Wasserstein HMM は 0.0079 と極めて低く、ウェイトの安定性が確認されました。
• 原因: KNN は近傍集合の不連続な変化により条件付きモーメントが不安定になり、最適化が過剰反応するのに対し、Wasserstein HMM は構造化された潜在状態ダイナミクスにより推定入力を安定化させます。

4.3 レジームの解釈

モデルは 5 つの主要なレジーム（A〜E）を特定し、それぞれに経済的な意味を持たせました。

• Regime A: バランスの取れたリスクオン拡大（株式・金・債券が好調）。
• Regime B: 広範なリスクラリー（株式・債券・金が好調、ドル安）。
• Regime C: 防御的な債券主導の安定（債券・金が好調）。
• Regime D: インフレ/ドル高レジーム（原油・ドルが好調、債券悪調）。
• Regime E: 株式ストレス（株式暴落、金・債券が安全資産として機能）。
  このように、モデルは市場状態に応じて最適な資産クラスへ自動的に回転します。

5. 意義と結論 (Significance & Conclusion)

本論文は、日次クロスアセット配分において、単に「レジームが存在するかどうか」を検出するだけでなく、**「いかにレジームを推定し、安定化させるか」**がポートフォリオのパフォーマンスを決定づけることを示しました。

• 実装の堅牢性: 幾何学的に根拠のあるテンプレート追跡と予測的複雑性制御により、推定ノイズやラベルの不安定さを排除し、実用的なポートフォリオ管理を可能にしました。
• 経済的解釈性: 安定したレジームアイデンティティにより、投資家が市場の状態を理解し、戦略のロジックを説明することが容易になりました。
• 実用的価値: 2025 年の市場ショックにおいて、受動的なベンチマークや非パラメトリック手法よりも優れたダウンサイド保護と滑らかな資本成長を実現しました。

結論として、Wasserstein HMM を用いたレジーム意識型投資は、推定誤差と取引コストの制約下で、構造化された潜在状態モデルが局所的類似性手法よりも優位であることを実証し、高頻度ポートフォリオ構築における新しい標準を示唆しています。