Investing Is Compression

この論文は、情報理論における普遍圧縮の概念を応用し、投資を真の確率分布との「発散項」を最小化する圧縮問題として再定義することで、ケリー基準が長期的な富の最大化において客観的に最適であることを示しています。

要約

この論文は、**「投資とは、実は『情報の圧縮』をしているのと同じことだ」**という、非常にユニークで深遠なアイデアを提示しています。

オスカー・スティフェルマン氏（NAND Capital）は、1950 年代の数学的な発見を現代の投資に応用し、**「なぜ投資家が富を増やすことができるのか？」**という問いを、情報理論（データ圧縮の数学）の視点から解き明かしています。

以下に、専門用語を排し、日常の比喩を使ってわかりやすく解説します。

---

1. 核心となるアイデア：投資は「圧縮」である

この論文の最大の結論は、**「投資は、未知の未来という『膨大なデータ』を、自分の資金配分という『小さな箱』に圧縮する作業だ」**というものです。

• 従来の考え方： 投資は「リスクとリターンのバランス」を取るゲーム。
• この論文の考え方： 投資は「真実（未来の市場の動き）に近い分布」を見つけ、それと自分の資金配分を一致させる**「データ圧縮」**のゲーム。

もしあなたの資金配分が、市場の真実（どの資産が勝つか）と完全に一致すれば、圧縮率は最高になり、富は最大化されます。一致していなければ、データが「圧縮しきれず（摩擦が生じ）」、成長が鈍化します。

2. 歴史的な背景：ケリー基準と「対立」

この話の舞台は、1950 年代のベル研究所です。

• ケリー（John Kelly）： 「賭け事と情報理論」を結びつけた男。彼は「単純にお金を増やすのではなく、『対数（ログ）』で富の成長を最大化する」という戦略（ケリー基準）を提案しました。
• サミュエルソン（Paul Samuelson）： 当時の経済学の巨匠。彼はケリーの考えを「恣意的で保守的すぎる」と批判し、主流派経済学から排除しました。「なぜ対数を使うのか？それは単なる主観的な好みだ」と主張したのです。
• カヴァー（Tom Cover）： スタンフォード大学の情報理論の教授。彼は後年、ケリーの戦略が「主観的」ではなく、**「客観的に最適」**であることを証明しました。
  • 長期的に最も富が増える。
  • 破産（ゼロになる）のリスクを最小化する。
  • 短期的にも、他のどんな戦略よりも競争的に優れている。

つまり、サミュエルソンは間違っており、ケリーとカヴァーの考えこそが真実だったのです。

3. 投資の正体を解き明かす「3 つの要素」

この論文の最も素晴らしい部分は、投資の成長率を**「3 つの要素」**に分解したことです。

$$\text{成長率} = \text{【お金の要素】} - \text{【不確実性の要素】} - \text{【ズレの要素】}$$

1. お金の要素（Money Term）：
   • 市場そのものが持っているリターン（ゲームのルールや配当）。これは投資家の努力では変えられません。
2. 不確実性の要素（Entropy Term）：
   • 市場がどれくらい予測しにくい（ランダムな）かという「混乱度」。これも投資家のコントロール外です。
3. ズレの要素（Divergence Term）：
   • ここが重要！「あなたが選んだ資金配分」と「市場の真実（どの資産が勝つか）」との距離です。
   • この「ズレ」が大きいほど、成長は阻害されます（摩擦が生じます）。

結論： 投資家がやるべきことは、変えられない「お金の要素」や「不確実性」を気にすることではなく、**「自分の予想と真実のズレ（摩擦）をいかに小さくするか」**です。

これを情報理論の言葉で言うと、**「真実というデータを、いかに効率的に圧縮（表現）するか」**と同じです。ズレがゼロになれば、圧縮率は最大になり、富は最大化されます。

4. 具体的な応用：なぜこれが役立つのか？

この「投資＝圧縮」という考え方は、実務でも新しい発見をもたらします。

A. バックテスト（過去データ検証）の新しい見方

通常、投資戦略を過去データで検証する際、「平均リターン」を比較します。しかし、市場は一定ではないため、この平均値は統計的に信頼しにくい場合があります。
でも、この論文によると、**「2 つの戦略のリターン差」は、単なる数字の差ではなく、「真実からのズレ（摩擦）の差」**として解釈できます。

• 戦略 A より戦略 B の方がリターンが高いなら、それは「B の方が真実に近い（圧縮率が高い）」ということです。
• この差は「ビット（情報量）」で測ることができます。

B. ベンチャーキャピタル（VC）的な投資へのヒント

スタートアップ投資のように、将来の収益が全くわからない場合、複雑な数式で確率分布を計算するのは不可能です。
そこで提案されているのが**「勝者比率（Winner Fraction）」**というシンプルなルールです。

• 考え方： 「どのスタートアップが勝つか」の確率を推測し、その確率に比例して資金を配分する。
• 効果： 完全な最適解には届かないかもしれませんが、その「損失（成長の遅れ）」は、「勝者の分布の複雑さ（エントロピー）」によって限界が決まっています。
• 比喩： 100 人の候補者の中から 1 人を選ぶより、10 人の候補者の中から選ぶ方が、間違えにくい（圧縮しやすい）のと同じです。候補者が少なく、勝敗がハッキリしているほど、このシンプルな戦略は強力に機能します。

まとめ：投資家へのメッセージ

この論文が伝えたいことは、**「投資は単なるギャンブルや統計分析ではない。それは『未知の未来』という膨大な情報を、自分の資金配分という形で『圧縮』し、真実に近づけようとする知的な作業だ」**ということです。

• 市場のルール（お金の要素）や、市場の揺らぎ（不確実性）は変えられません。
• 私たちがコントロールできるのは、**「自分の予想と真実とのズレ」**だけです。
• そのズレを最小化（摩擦を減らす）すれば、自動的に富は最大化されます。

つまり、**「投資で勝つためには、複雑な数式を解くことよりも、いかにして『真実の圧縮』を効率よく行うか（ズレを減らすか）」**を考えればよいのです。これは、情報理論が教えてくれる、投資というゲームの究極の解き方です。

技術概要

1. 問題の定義 (Problem)

従来の投資理論、特にハリー・マーコウィッツの現代ポートフォリオ理論（MPT）は、リスク（分散）とリターンのトレードオフを最適化するアプローチを取ってきました。しかし、この論文は以下の根本的な問題点を指摘しています。

• ケリー基準の誤解と排除: 1956 年のジョン・ケリーの論文で提唱された「対数効用関数（wealth の対数の最大化）」は、ポール・サミュエルソンによって「恣意的な効用関数」として批判され、主流経済学から排除されました。しかし、トーマス・カバー（Tom Cover）らの研究により、これが長期的な富の最大化、破産リスクの最小化、そしてゲーム理論的な競争最適性の観点から客観的に最適であることが証明されました。
• 投資問題の構造的不透明性: 従来の投資問題は、複数の資産の収益率を掛け合わせた「積の和（product of sums）」として定式化されることが多く、情報理論の手法を直接適用することが困難でした。
• バックテストの限界: 市場データは非定常であり、極端な事象に敏感であるため、異なる戦略間の平均リターンを統計的に比較することが困難です。

2. 手法とアプローチ (Methodology)

著者は、トーマス・カバーの「ユニバーサル・ポートフォリオ」理論で用いられた数学的変換手法を、一般的な投資問題の分析に応用します。

• 「和の積」から「積の和」への変換:
  従来の多期間投資問題は、各期間のポートフォリオ収益率の積（Product of Sums）として表されます。
  $$R_n = \prod_{t=1}^n \left( \sum_{i=1}^m w_i r_{i,t} \right)$$
  著者はこれを、カバーの手法を借用して、**「積の和（Sum of Products）」**として再定式化します。これは、$n$期間の投資を、各期間で特定の資産のみに賭ける「競馬型（Horse Race）」の投資シナリオの重み付き平均として解釈し直すことを意味します。
• タイプクラス（Type Class）への集約:
  展開された項は、各資産の出現頻度（タイプ）ごとにグループ化されます。組合せ論とスターリングの近似、および KL ダイバージェンス（Kullback-Leibler divergence）を用いることで、ポートフォリオ重みベクトル $W$ と一致する頻度を持つ「タイプクラス」に、総重みが指数関数的に集中することを示します。
• 情報理論的分解:
  この変換を通じて、期待対数成長率 $g(W)$ を以下の 3 つの項に分解します。
  $$g(W) = \text{Money Term} - \text{Entropy Term} - \text{Divergence Term}$$
  • Money Term: 市場のルールやペイオフ（分配）に依存する項。
  • Entropy Term: 不確実性（エントロピー）を表す項。
  • Divergence Term: 選択した分布と真の分布の間の KL ダイバージェンス（摩擦）。

3. 主要な貢献 (Key Contributions)

1. 投資問題の「圧縮問題」としての再定義:
   投資の最適化は、本質的に**「真の分布と投資家の分布の間の KL ダイバージェンス（摩擦）を最小化する圧縮問題」**であるという洞察を提供しました。最初の 2 つの項（Money と Entropy）はポートフォリオの割り当てに依存しない定数であるため、成長率を最大化する唯一の方法は、3 つ目の項（Divergence）を最小化することです。
2. バックテストの新たな解釈:
   非定常な市場データにおいて、2 つの戦略間の対数成長率の差は、絶対値ではなく「未知の理想分布からの KL ダイバージェンスの変化量（ビット単位）」として解釈できることを示しました。これにより、統計的なノイズに左右されず、戦略の優劣を情報理論的に評価できます。
3. 「勝者比率（Winner Fraction）」ヒューリスティックとエントロピー境界:
   完全な同時分布を推定できない場合（例：ベンチャーキャピタル投資）に適用可能な新しいヒューリスティック手法を提案しました。
   • 手法: 各資産が候補セットの中で「勝つ（支配する）」確率に資本を比例配分する。
   • 理論的保証: このヒューリスティックと最適ポートフォリオ間の成長率の不足分（Shortfall）は、勝者比率分布のエントロピーによって上から抑えられることを証明しました。
     $$g(W^*) - g(W') \leq H(W')$$
     候補セットが小さい場合やリターン分布が極端な場合に特に有効です。

4. 結果 (Results)

• 一般化されたケリー基準の正当性: ケリー基準が単なる主観的な効用関数ではなく、情報理論的観点から「客観的に最適」であり、短期的・長期的の両方で競争的に優位であることを再確認しました。
• 分解の普遍性: 競馬市場（排他的な事象）だけでなく、一般的な複数の資産が同時に収益を生む場合でも、投資問題は「Money - Entropy - Divergence」の 3 項分解に帰着されることが示されました。
• 実用的な境界値: 提案された「勝者比率」ヒューリスティックは、エントロピーが低い（勝者が明確である）状況において、最適解に極めて近いパフォーマンスを発揮することが数学的に保証されました。

5. 意義と重要性 (Significance)

• 金融と情報理論の統合: この論文は、ポートフォリオ理論と情報理論（特に圧縮と予測）の間の深い関係を明確にしました。投資は「不確実性の圧縮」であり、リターンは「予測精度の報酬」として捉え直すことができます。
• サミュエルソン批判の克服: サミュエルソンが「対数効用は恣意的である」として退けた考え方が、実はゲーム理論的・情報理論的に唯一の合理的解であることを示し、経済学と計算機科学の対立を解消する道筋を示しました。
• 実務への応用: 複雑な同時分布の推定が困難な分野（ベンチャーキャピタルなど）において、エントロピー境界に基づいた実用的な資本配分手法を提供しました。また、バックテストにおける戦略比較の指標として、統計的な平均値ではなく「情報量（ビット）」の差を用いるという新しい視点を提供しています。

結論として、著者は「投資は本質的に圧縮問題である」と主張し、ケリー基準の核心が、真の分布への KL ダイバージェンス（摩擦）を最小化することにあることを数学的に証明しました。これは投資戦略の設計と評価を、統計的な平均値の追求から、情報理論的な最適化へと転換させる重要な洞察です。