💰 quantitative finance

Asset allocation using a Markov process of clustered efficient frontier coefficients states

この論文は、市場の状態をリターンやボラティリティではなく、効率的フロンティアの係数をクラスタリングして定義するマルコフ過程を用いた新たな資産配分モデルを提案し、実証研究によりベンチマークポートフォリオを大幅に上回るパフォーマンスを示すことを報告しています。

原著者： Nolan Alexander, William Scherer, Jamey Thompson

公開日 2026-04-07

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Nolan Alexander, William Scherer, Jamey Thompson

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

1. 従来の投資の「悩み」と「新しい視点」

【従来の考え方：天気予報の失敗】
これまでの投資モデル（マークowitz モデルなど）は、「過去の天気（株価の動き）を見て、明日も同じように晴れるだろう」と仮定していました。
しかし、現実はそう簡単ではありません。昨日は晴れていても、今日は突然の嵐になることがあります。過去のデータだけで未来を予測しようとすると、大きな失敗（損失）につながりやすいのです。

【この論文の新しいアイデア：「気候のタイプ」で分ける】
この論文の著者たちは、「明日の天気」を直接予測するのではなく、**「今、私たちがいるのがどんな『気候のタイプ』か」**を見極めることにしました。

従来の方法： 明日の気温を「1 度」か「2 度」か細かく予測しようとする。
この論文の方法： 今、私たちが「サバンナ（暑くて乾燥）」にいるのか、「熱帯雨林（湿気で雨）」にいるのか、「雪山（寒くて雪）」にいるのかをまず見極める。

そして、**「サバンナにいるときはサバンナ用の服を着て、雪山にいるときは雪山用の服を着る」**というように、状況に合わせて最適な行動（投資戦略）を変えるのです。

2. 3 つの「魔法のコンパス」で気候を測る

では、どうやって「今の気候（市場の状態）」を判断するのでしょうか？
著者たちは、複雑な株価データを 3 つのシンプルな数字（係数）に圧縮しました。これを**「効率的フロンティアの係数」と呼びますが、わかりやすく言うと「3 つの魔法のコンパス」**です。

コンパス A（リターンの高さ）： 「今の市場は、リスクを取ればどれくらいリターンが得られるか？」
コンパス B（揺れの大きさ）： 「今の市場は、どれくらい激しく揺れているか？」
コンパス C（曲がり具合）： 「リスクとリターンのバランスは、どのくらい滑らかか？」

この 3 つのコンパスの針の動きを毎月チェックすることで、「今は『暴走する牛市（強気相場）』の気候だ」「今は『不安定な熊市（弱気相場）』の気候だ」と判断します。

3. 「マルコフの魔法」で未来を予測する

気候がわかったら、次は「次にどんな気候になるか」を予測します。ここで**「マルコフ過程（状態遷移）」**という魔法を使います。

例え話：
- 「今、**『雨』の気候なら、次は『雨』が続く可能性が高いし、『曇り』になる可能性もあるけど、いきなり『砂漠』**になることはほとんどない」
- 「今、**『晴れ』の気候なら、次は『晴れ』**が続く可能性が高い」

この「今の気候から、次にどの気候に変わる確率」を計算します。これにより、単に「明日は雨だ」と予測するのではなく、「雨から晴れに変わる確率」や「雨が続く確率」を考慮した、より確かな予測が可能になります。

4. 最終的な「最強のポートフォリオ」の作り方

最後に、この情報をどうやって投資に活かすのでしょうか？

気候ごとの対策：
- 「雨の気候（暴落相場）」の過去データだけを見て、「雨の時のベストな投資先」を決める。
- 「晴れの気候（好調相場）」の過去データだけを見て、「晴れの時のベストな投資先」を決める。
- （※従来の方法は、雨も晴れも混ぜて平均を取ってしまいがちですが、これは「状況に特化」します）
確率で混ぜ合わせる：
- 「今は雨（確率 30%）、次は晴れになるかもしれない（確率 70%）」と仮定します。
- 「雨の時のベスト投資」を 3 割、「晴れの時のベスト投資」を 7 割混ぜ合わせて、**「今の瞬間に最適な投資バランス」**を作ります。

これを毎月繰り返すことで、市場が急変しても柔軟に対応できるポートフォリオが完成します。

5. 実際の結果：なぜこれがすごいのか？

著者たちは、この方法を 3 つの異なる市場（アメリカの株式、セクター別、世界の主要国）でテストしました。

結果： 従来の「平均的な投資方法」や「単純な予測モデル」よりも、リターンは高く、損失（暴落時のダメージ）は小さいという素晴らしい結果が出ました。
特にすごい点：
- 解釈しやすい： 「なぜこの投資をしたのか？」が、気候（市場の状態）と確率で説明できるので、ブラックボックス（中身が見えない箱）ではありません。
- 柔軟性： 市場が急変しても、次の気候への移行確率を計算に入れるため、慌てずに最適なバランスを保てます。

まとめ：この論文が伝えたかったこと

この論文は、**「過去のデータ全体を平均して考えるのではなく、今の市場が『どんな状態（気候）』にあるかを分類し、その状態ごとの過去データから学び、次にどうなるかの確率を計算して投資する」**という新しいアプローチを提案しました。

まるで、**「天候によって最適な装備を組み合わせるプロの登山家」**のように、市場という荒れ模様の山を、リスクを抑えながら効率的に登り切るための新しい地図とコンパスを提供したのです。

1. 研究の背景と課題 (Problem)

現代ポートフォリオ理論（MPT）は、平均・分散最適化を用いて効率的な資産配分を導き出す枠組みですが、実務における最大の課題は**「市場の定常性（Stationarity）の仮定」**にあります。

課題: 従来の MPT やブラック・リッターマンモデルなどは、将来の期待リターンや共分散行列が過去のデータと類似している（定常である）と仮定しています。しかし、実際の市場は非定常であり、レジーム（市場の状態）が変化します。
既存手法の限界:
- 共分散行列の推定精度を高める手法（Ledoit-Wolf など）や、ベイズ推定（ブラック・リッターマン）は存在しますが、これらは依然としてリターンベクトルの推定誤差に敏感です。
- 隠れマルコフモデル（HMM）を用いたレジームシフトモデルは存在しますが、状態が「隠れ（Hidden）」であるため解釈性が低く、小さな分類誤差に敏感で、アウト・オブ・サンプルでの性能が必ずしも優れているとは限りません。
本研究の目的: 市場の非定常性を緩和し、解釈性の高い新しい資産配分モデルを提案すること。

2. 提案手法 (Methodology)

本研究は、**「効率フロンティア（EF）の係数」**を特徴量として用い、これらをクラスタリングして観測可能な市場状態を定義し、マルコフ過程を適用するモデルを提案しています。

2.1 特徴量：効率フロンティア係数 (EF Coefficients)

Merton (1972) が導出した効率フロンティアの関数形を、3 つの解釈可能な係数に分解して使用します。

$r_{mvp}$ : 最小分散ポートフォリオ（MVP）のリターン。
$\sigma_{mvp}$ : MVP の標準偏差（リスク）。
$u$ : 効率フロンティアの曲率（リスクとリターンのトレードオフの効率性）。
これらにより、リターンベクトルと共分散行列という高次元の情報を、市場の状態を記述する低次元の係数に圧縮します。

2.2 市場状態の定義：時系列クラスタリング

手法: 階層的クラスタリング（Hierarchical Clustering）を採用。
距離尺度: 時系列データの類似性を測るため、**動的時間 warping（DTW: Dynamic Time Warping）**を相関行列の距離変換に適用します。これにより、時間軸のズレを許容しつつ、EF 係数の時系列パターンに基づいて状態を分類します。
状態の可視化: 観測可能な状態（Hidden ではない）を定義するため、モデルの解釈性を高めています。

2.3 マルコフ・マルコビッツモデル (The Markov Markowitz Model)

モデルのフローは以下の 5 段階で構成されます（オンライン・拡張学習方式）：

状態の定義: 現在の月までの EF 係数データを用いて、階層的クラスタリングを行い、市場状態（レジーム）を定義します。
マルコフ過程の定義: 状態遷移の履歴から、状態遷移行列（Transition Matrix）を計算します。
状態ごとの最適化: 各クラスタ（状態）に属するデータのみを用いて、その状態における**接点ポートフォリオ（Tangency Portfolio）**を計算します（全データを使うのではなく、状態固有のデータのみを使用）。
重みの期待値計算: 現在の状態から各状態へ遷移する確率（遷移行列）に基づき、各状態のポートフォリオ重みの期待値を計算して、最終的な最適ポートフォリオ重みを決定します。
- 数式: $w^* = P_{s_t}^T \cdot W_t$ （ $P$ は遷移確率、 $W$ は状態ごとのポートフォリオ重み）
反復更新: 毎月新しいデータが加わるたびに、トレーニングデータを拡張し、クラスタリングと遷移行列を再計算します。

3. 主要な貢献 (Key Contributions)

新規な特徴量の適用: レジームシフトモデルにおいて初めて、解釈可能な効率フロンティア係数（ $r_{mvp}, \sigma_{mvp}, u$ ）を特徴量として使用し、市場状態を定義しました。
解釈性の高いマルコフモデル: 隠れ状態（HMM）ではなく、観測可能なクラスタリングされた状態に基づくマルコフモデルを提案しました。これにより、なぜ特定のポートフォリオが選ばれたのか、どの市場状態（例：暴落期、高成長期）に対応しているのかを直感的に理解できます。
状態固有の最適化: 従来の MPT が全データ（または一定の窓）を使うのに対し、本モデルは「状態ごとにデータを分割し、その状態のデータのみで最適化」を行うことで、レジーム変化への適応性を高めています。

4. 実証結果 (Results)

3 つの異なる資産ユニバース（米国株式の成長/価値/規模、S&P セクター、先進国市場指数）を用いたバックテスト（2000 年〜2022 年、および 2008 年〜2022 年）で検証されました。

パフォーマンス: 提案モデル（3〜5 クラスタ）は、すべてのベンチマーク（月次接点ポートフォリオ、等重みポートフォリオ、S&P 500）を凌駕しました。
- シャープレシオ: 全ユニバースでベンチマークより高い値を記録。
- 最大ドローダウン: 暴落時（ドットコムバブル、2008 年金融危機、COVID-19）において、ベンチマークよりも较小的なドローダウンを示す傾向がありました。
統計的有意性: GVMC および S セクターのユニバースにおいて、ベンチマークに対するアルファ（Jensen's Alpha）は統計的に有意（p-value < 0.05）でした。
ハイパーパラメータ感度: クラスタ数（3, 4, 5）を変えても、ベンチマークを上回る結果が得られ、モデルの頑健性が示されました。
市場洞察:
- クラスタ分析により、複数の「強気市場」状態が存在し、そのうちの一つが他の強気状態よりも「弱気市場」へ遷移する確率が高いことが発見されました。
- 米国株式市場では、弱気状態は再帰する（弱気状態から弱気状態へ遷移する）確率が高い傾向が見られました。

5. 意義と結論 (Significance and Conclusion)

理論的意義: 市場の定常性仮定を緩和する新しいアプローチとして、EF 係数のクラスタリングとマルコフ過程の組み合わせが有効であることを示しました。
実務的意義: 黒箱モデル（HMM や深層学習）に依存せず、市場の構造（レジーム）を可視化・解釈できる資産配分手法を提供します。これにより、投資家はモデルの判断根拠を理解し、リスク管理に役立てることができます。
限界と将来展望:
- 先進国市場のデータには総利回りが含まれておらず、パフォーマンスの限界があったため、将来的にはより高品質なデータでの検証が必要。
- 商品、FX、債券など他の資産クラスへの適用や、イントラデーデータを用いた高頻度での状態定義への拡張が今後の課題です。

総じて、この論文は、伝統的なポートフォリオ理論と機械学習（クラスタリング・マルコフ過程）を融合させ、解釈性とパフォーマンスの両立を図った画期的な資産配分モデルを提示しています。