💰 quantitative finance

Forecasting Tangency Portfolios and Investing in the Minimum Euclidean Distance Portfolio to Maximize Out-of-Sample Sharpe Ratios

この論文は、将来の収益率と共分散行列を直接推定するのではなく、効率的フロンティアの関数形を分解してベクトル自己回帰モデルで接点ポートフォリオを予測し、その予測値からの最小ユークリッド距離にあるポートフォリオに投資することで、サンプル外でのシャープレシオを最大化する新しい資産配分モデルを提案しています。

原著者： Nolan Alexander, William Scherer

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

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

この論文は、**「投資の天才が未来を予言して、最も賢い投資先を見つける新しい方法」**について書かれています。

従来の投資の常識を少しひっくり返す、とても面白いアイデアが詰まっています。専門用語を噛み砕いて、日常の例え話で解説しましょう。

1. 従来の投資の「悩み」

昔からある有名な投資理論（マルコウィッツの理論）では、「過去のデータを見て、将来の株価の上がり具合と、どれくらい揺れるか（リスク）」を計算して、一番お得な組み合わせ（ポートフォリオ）を決めるというやり方が主流でした。

でも、これには大きな問題がありました。

「過去は未来の鏡じゃない」：過去の株価がそのまま未来も続くとは限りません。
「計算が狂いやすい」：過去のデータから未来を推測しようとすると、ちょっとした計算ミスで、実際に投資すると大損する「不安定な組み合わせ」を選んでしまうことがあります。

まるで、**「昨日の天気予報を見て、明日の傘の持ち方を決める」**ようなものですが、もし明日が全く違う気候（例えば、昨日は晴れで今日が台風）だったら、傘を持っていても濡れてしまいますよね。

2. この論文の「新しい発想」

この論文の著者たちは、「じゃあ、未来の『天気（株価）』そのものを予測するのではなく、『未来の「一番良い傘の持ち方（最適な投資先）」』そのものを直接予測しよう」と考えました。

彼らは、投資の世界で「一番効率が良い組み合わせ」を指す**「接点ポートフォリオ（Tangency Portfolio）」**というものを、直接予測するモデルを開発しました。

3 つの魔法の「係数」

彼らは、複雑な投資の計算式を、3 つの簡単な「魔法の係数」に分解しました。これを天気予報に例えると、以下のようになります。

$r_{min}$ （最低リスクの地点）: 「嵐が来ても一番揺れない場所」はどこか？
$\sigma_{min}$ （その揺れ幅）: その場所が、どれくらい揺れるのか？
$u$ （曲がり具合）: 「リスクを取れば取るほど、リターンがどう伸びるかのカーブ」の形。

この 3 つの数字を、過去のデータから**「自動で学習する AI（VARX モデル）」**を使って未来に予測します。

3. 具体的な投資方法：「最短距離」を探す

ここが最もユニークな部分です。

未来の「理想」を予測する: まず、上記の 3 つの係数を使って、「来月の一番良い投資先（未来の接点ポートフォリオ）」がどこにあるかを予測します。
今の「現実」に合わせる: でも、未来の「理想」は、今の市場には存在しないかもしれません（まだその状態になっていないから）。
最短距離を選ぶ: そこで、**「今の市場にある組み合わせの中で、予測した『未来の理想』に一番近い（距離が最短の）もの」**を選びます。

【例え話】

未来の理想：「来月は、東京タワーのてっぺんが最高の景色（リターン）だ！」と予測した。
今の現実：でも、今あなたは東京の街中（現在の市場）にいる。
この方法：「じゃあ、今いる場所から東京タワーのてっぺんへ向かう一番近い場所はどこかな？」と探して、そこに移動する。

この「一番近い場所」に投資することで、市場が急変しても、予測した「理想」に最も近い状態でリスクを抑えられるというわけです。

4. 結果はどうだった？

著者たちは、この方法をアメリカの株式市場（S&P500 のセクターや、成長株・バリュー株など）でテストしました。

比較対象: 従来の「過去のデータで計算した接点ポートフォリオ」や、「均等に分散投資する方法」、「S&P500 そのもの」など。
結果: この新しい方法は、「リスクに対するリターン（シャープレシオ）」が最も高く、暴落時の損失も少なかったことが分かりました。

特に 2008 年の金融危機や 2020 年のパンデミックのような大暴落時でも、他の方法に比べて**「ダメージが小さく、回復が早かった」**そうです。

まとめ

この論文が伝えていることはシンプルです。

「過去のデータから未来を『計算』するのではなく、未来の『ベストな形』を直接『予測』し、今の市場からそれに一番近い場所へ移動しよう」

これは、天気予報を信じて傘を持つのではなく、「明日の空の色（未来のベストな状態）」を直接見て、それに合わせて今の服（投資先）を調整するような、より直感的で強力な投資の考え方です。

複雑な数式を使っていますが、核心は**「未来のゴールを先に決め、そこに至る最短ルートを探す」**という、とても合理的なアプローチにあります。

論文技術要約

1. 背景と課題 (Problem)

現代ポートフォリオ理論（MPT）における平均・分散最適化は、歴史的データから期待リターンと共分散行列を推定し、シャープレシオを最大化する「接点ポートフォリオ（Tangency Portfolio）」を特定することを前提としています。しかし、実務においては以下の重大な課題が存在します。

パラメータ推定誤差: 市場は定常的（stationary）ではなく、将来の期待リターンや共分散が過去と一致しないため、歴史的データからの直接推定は大きな誤差を含みます。
既存モデルの限界: ブラック・リッターマン（Black-Litterman）モデルや共分散行列のシェリッジ（Shrinkage）、DCC-MV-GARCH などの既存手法はパラメータ推定を改善しようとしますが、依然として以下の問題を抱えています。
- 実装が複雑で、投資家の主観的入力（ベイズ事前分布など）を多数必要とする。
- 期待リターンベクトルの推定が困難、あるいは不安定である。
- 結果の解釈が難しく、投資家の信頼を得にくい。

本研究は、「将来の期待リターンと共分散を推定する」のではなく、**「効率的フロンティアそのものを予測し、その予測された接点ポートフォリオに最も近いポートフォリオに投資する」**という全く新しいアプローチを提案します。

2. 提案手法 (Methodology)

本研究は、Merton が導出した効率的フロンティアの関数形式を分解し、3 つの解釈可能な係数を予測するモデルを構築しています。

A. 効率的フロンティアの係数分解
Merton の効率的フロンティア式（平方根の二次多項式）を、以下の 3 つの解釈可能な係数を用いて再定義します。

$r_{min}$ : 最小分散ポートフォリオ（MVP）の期待リターン。
$\sigma_{min}$ : 最小分散ポートフォリオの標準偏差。
$u$ : 効率的フロンティアの曲率（曲がり具合）を表す係数。資産セットの平均・分散最適化における有用性を示し、リスク許容度が高い投資家にとっての市場の良し悪しを反映します。

これら係数は、元の Merton の係数（ $A, B, C$ ）から計算可能であり、それぞれがフロンティアの頂点座標と曲率を制御します。

B. 係数の予測（VARX モデル）

モデル: 外生変数付きベクトル自己回帰モデル（VARX）を用いて、上記 3 つの係数を時系列で予測します。
特徴量: 過学習を防ぐため、特徴量は係数自身のラグ（過去値）と、等加重リターンの移動平均に限定しています。
手法: オンライン学習（Online Learning）を採用し、毎日新しいデータが得られるたびにモデルを更新・予測を行います。

C. 最小ユークリッド距離ポートフォリオへの投資
予測された係数から「予測された接点ポートフォリオ（ $\hat{r}_t, \hat{\sigma}_t$ ）」を算出しますが、これは現在の市場データに基づく実際のフロンティア上には存在しない可能性があります。

最適化問題: 現在の市場データから算出される「現在の効率的フロンティア」上で、**「予測された接点ポートフォリオとのユークリッド距離が最小となるポートフォリオ」**を特定します。
計算: 目的関数（距離の二乗）をニュートン法で微分し、最適リターンを求め、そのリターンに対して平均・分散最適化を実行してウェイトを決定します。

3. 主要な貢献 (Key Contributions)

新しい解釈可能係数の導出: $r_{min}, \sigma_{min}, u$ という 3 つの係数を定義し、市場のリスク・リターン特性を直感的に理解・予測できる形に変換しました。
時系列回帰による予測手法: これらの係数を時系列モデル（VARX）で直接予測する手法を確立しました。
最小距離アプローチの提案: 予測された接点ポートフォリオが存在しない場合でも、現在のフロンティア上で最も近いポートフォリオを選択するロバストな投資戦略を提案しました。
実証的検証: 従来の接点ポートフォリオ推定法やベンチマーク（等加重、S&P500、60/40 ポートフォリオ）と比較し、アウトオブサンプル期間において優れたパフォーマンスを示しました。

4. 実証結果 (Results)

2 つの異なる資産クラス（GVMC: 成長/バリュー・大型/小型株、および S&P セクター ETF）を用いて、2000 年〜2022 年および 2008 年〜2022 年の期間で検証を行いました。

シャープレシオ: 提案モデルは、すべてのベンチマーク（1 ヶ月ローリング接点ポートフォリオ、等加重、S&P500、60/40）を上回るシャープレシオを達成しました。
- GVMC データ: 提案モデルのシャープレシオは 1.00（1 ヶ月接点ポートフォリオは 0.67）。
- セクター ETF データ: 提案モデル（2 倍レバレッジ）は 0.76（1 ヶ月接点ポートフォリオは 0.01）。
最大ドローダウン: 2008 年や 2020 年の市場暴落時において、ベンチマークに比べてドローダウンが小さく、リスク管理に優れていました。
統計的有意性: アルファ回帰分析により、提案モデルがベンチマークに対して統計的に有意な超過リターン（アルファ）を生み出していることが確認されました（p 値 < 0.05）。
安定性: 予測された係数に基づくアプローチは、市場の非定常性に対して従来のパラメータ推定法よりも頑健（ロバスト）であることが示されました。

5. 意義と結論 (Significance and Conclusion)

本研究は、資産配分において「パラメータ（リターン・共分散）を推定する」という従来のパラダイムから、「効率的フロンティアの形状（係数）を予測する」という新しいアプローチへ転換する意義を持ちます。

実用性: ブラック・リッターマンのような複雑な主観入力や、大規模な共分散行列の推定を不要にします。
解釈性: 市場の構造変化を係数（特に曲率 $u$ ）の変化として捉えることで、投資判断の根拠を明確にします。
パフォーマンス: 実証データにおいて、アウトオブサンプル期間でのシャープレシオ最大化と最大ドローダウンの抑制を両立し、既存の手法を凌駕する結果を得ました。

今後の課題として、より多様な資産クラスでの検証、レバレッジの影響分析、および技術指標や経済データを用いた特徴量の拡張（LASSO や非線形モデルの適用）が挙げられています。