Contagion or Macroeconomic Fluctuations? Identifiability in Aggregated Default Data

この論文は、集約されたデフォルトデータから伝染効果を識別可能かどうかを調査し、マクロ経済変動との区別が可能な伝染メカニズム（Lo-Davis モデル）と、集約後にマクロ変動に吸収されて識別不能となるメカニズム（Torri モデル）を明らかにするものである。

要約

この論文は、**「企業の破綻（倒産）が次々と起こる現象」**を分析したものです。

私たちがニュースで「今年、多くの企業が破綻した」と聞いたとき、その原因は一体何だったのでしょうか？
大きく分けて二つの説があります。

1. 経済の波（マクロ要因）： 景気が悪くなると、すべての企業が同時に苦しくなる（「嵐が来れば、すべての船が揺れる」状態）。
2. 感染（コンタギオン）： 一つの企業が倒れると、それが原因で隣の企業も倒れる（「ドミノ倒し」や「ウイルス感染」状態）。

この論文は、「集計されたデータ（年間の破綻数だけ）」を見るだけで、この二つの原因を区別できるのか？ という難しい問いに答えようとしています。

著者は、この問題を解き明かすために、3 つの異なる「モデル（シミュレーションの仕組み）」を使って実験しました。

---

3 つのモデルを「お祭り」に例えて説明します

著者が比較した 3 つのモデルを、**「お祭りの混乱」**という例えで説明しましょう。

1. ヴァシチェク・モデル（共通の要因）

• 仕組み： 天候（経済状況）が悪化すると、お祭りに参加している全員が同時に転びやすくなる。
• 特徴： 誰かが転んだからといって、他の人が転ぶわけではない。ただ、**「空が暗い」**という共通の理由で、みんなが同時に転ぶ確率が高まるだけ。
• イメージ： 「嵐の日のビーチ」。全員が波に流される。

2. ロウ・デイヴィス・モデル（累積的な感染）

• 仕組み： 一人が転ぶと、その衝撃で**「転びやすさ」が少し増える**。そして、転んだ人が増えるほど、残りの人が転ぶ確率が滑らかに（少しずつ）上がっていく。
• 特徴： ドミノ倒しのように、転んだ人数が増えるほど、次の転倒が起きやすくなる。
• イメージ： 「雪だるま式に増える雪崩」。最初は小さな雪の塊だが、転がるにつれてどんどん大きくなる。

3. トリ・モデル（閾値型の感染）

• 仕組み： **「誰か一人でも感染源（ウイルスを持った人）が現れると、たちまち全員が感染する」**という仕組み。
• 特徴： 1 人でも感染源がいれば、もう全員が「感染モード」になる。2 人目、3 人目が現れても、もうこれ以上強まることはない（スイッチが ON になった状態）。
• イメージ： 「火事」。火がつくまでは安全だが、一度火がつけば、建物はすべて燃え尽きる。

---

実験の結果：何がわかったのか？

著者は、1920 年から 2023 年までの実際の破綻データを使って、この 3 つのモデルがどれくらい現実を再現できるかテストしました。

1. 単純な比較（i.i.d. 仮定）

まず、「毎年、経済状況は一定で、変化がない」と仮定して比較しました。

• 結果： ヴァシチェク・モデル（共通の要因）が最も現実のデータに合いました。
• 理由： 現実のデータは、ある年だけ破綻が集中する「山」の形状をしていました。これは「経済の波（天候）」が原因で説明できるため、複雑な「感染」を仮定しなくても、単純な「共通の要因」でうまく説明できてしまったのです。

2. 現実的な比較（階層モデル）

次に、「毎年、経済状況（天候）は変わる」という現実的な設定に変えました。

• 結果： 破綻数の変動の大部分は、「経済の波（天候の変化）」によって説明できました。
• 重要な発見：
  • トリ・モデル（スイッチ型）： 経済の波を考慮すると、このモデルの「感染」の効果は完全に消えてしまいました。つまり、集計データを見る限り、「感染」の痕跡は経済の波に埋もれてしまい、区別がつかないことがわかりました。
  • ロウ・デイヴィス・モデル（雪だるま式）： 経済の波を考慮しても、**「小さながら、確実に残る感染の痕跡」**が見えました。これは、雪だるま式に増える感染は、単なる天候の変化とは異なる独特の「しぐさ」を持っているため、データから検出できることを意味します。

---

結論：何が言いたいのか？

この論文の結論は、とてもシンプルで重要なメッセージです。

1. 集計データ（年間の総数だけ）を見るだけでは、感染を特定するのは難しい。
   多くの場合、破綻の集中は「景気の悪化（マクロ要因）」によって説明できてしまい、感染のせいにされがちです。
2. 「感染」のタイプによって、見つけやすさが違う。
   • 「スイッチ型」の感染（トリ・モデル）は、経済の波に隠れてしまい、データからは見分けがつかない。
   • 「雪だるま式」の感染（ロウ・デイヴィス・モデル）は、少しだけだが、経済の波とは違う独特な形を残すため、見分けることができる。

まとめの比喩：
「お祭りで人が倒れる現象」を分析したとき、単に「人が倒れた数」だけを見て「火事（感染）があった！」と断定するのは危険です。多くの場合、それは単に「嵐（景気後退）」が原因だったかもしれません。
しかし、もし倒れ方が「雪だるま式」に広がっていたなら、それは単なる嵐ではなく、何か別の「感染」のメカニズムが働いていた可能性を、わずかに示唆しているのです。

この研究は、**「粗いデータ（集計値）から、本当に『感染』を特定できるのは、どのような場合なのか」**という限界と可能性を明らかにしたものです。

技術概要

この論文「Contagion or Macroeconomic Fluctuations? Identifiability in Aggregated Default Data（感染かマクロ経済変動か？集計されたデフォルトデータにおける識別可能性）」は、森尚太郎氏（弘前大学）によって執筆されたもので、集計されたデフォルトデータ（年間のデフォルト件数など）から、企業のデフォルトが「感染（コンタギオン）」によって引き起こされているのか、それとも「マクロ経済変動（共通ショック）」によるものなのかを識別できるかどうかという問題について検討しています。

以下に、論文の技術的な要点を日本語で詳細にまとめます。

1. 研究の背景と問題設定

• 背景: 信用リスクにおいて、企業のデフォルトがクラスター（集団発生）することは広く観察されています。そのメカニズムとして、ある企業のデフォルトが他社に直接影響を与える「感染（コンタギオン）」と、共通の経済ショックが同時にデフォルト確率を高める「マクロ経済変動」の 2 つが主要な仮説として挙げられています。
• 問題: 実証データは、企業間のネットワーク構造や個別のデフォルトタイミングが不明な「集計データ（年間のデフォルト件数）」であることが多く、微視的なメカニズムを特定することが困難です。集計プロセス（粗視化）によって、感染の効果がマクロ変動に吸収されてしまい、識別不可能になる可能性があります。
• 目的: 集計データから、感染メカニズムがマクロ経済変動とは区別可能な成分として残存するか、あるいは完全に吸収されてしまうかを検証する「識別可能性（Identifiability）」の問題を解明すること。

2. 手法とモデル

本研究では、デフォルト件数の分布を記述する 3 つの代表的な依存構造モデルを比較検討しました。

1. Lo-Davis モデル（累積感染モデル）:
   • 既存のデフォルト数が増えるにつれて、追加のデフォルト確率が滑らかに増加する「累積的」な感染メカニズムを仮定します。
   • 確率生成関数は、固有デフォルト数 $K$ に対する二項分布の混合として表されます。
2. Torri モデル（閾値型感染モデル）:
   • 「少なくとも 1 つの感染源デフォルトが発生したか」という二値的な条件（OR 論理）に基づき、閾値を超えると免疫を持たない全企業が同時に感染状態になるメカニズムです。
   • 感染の強度はデフォルト数に依存せず、感染状態の「発生・非発生」のみで決まります。
3. Vasicek モデル（共通因子モデル）:
   • 連続的な潜在マクロ因子（共通ショック）によって、全企業のデフォルト確率が同時に変動するモデルです。
   • デフォルトは条件付きで独立ですが、無条件では連続的な二項分布の混合となります。

分析アプローチ:

• i.i.d. 指定: 年次を通じてパラメータが一定であると仮定し、各モデルの尤度と尾部の挙動を比較します。
• 階層モデル（Hierarchical Specification）: 年次ごとにデフォルト確率 $p_t$ が変動する（マクロ経済条件の変化を反映する）階層モデルを導入します。これにより、年内の依存性（感染）と年間の異質性（マクロ変動）への分散分解を行い、感染成分が識別可能かを確認します。

3. 主要な結果

A. i.i.d. 指定における適合度

• Vasicek モデルの優位性: 全信用クラス（ALL, 投資格付 IG, 投機格付 SG）において、Vasicek モデルが最も低い負の対数尤度（best fit）を示しました。特に尾部（極端なデフォルト発生）の挙動を最もよく再現しています。
• Torri モデルの限界: Torri モデルは尾部の減衰が速すぎ、大規模なデフォルトイベントを過小評価する傾向がありました。
• Lo-Davis モデル: Torri よりも滑らかな分布を与えますが、Vasicek モデルほど尾部を正確には捉えられませんでした。
• 解釈: i.i.d. 仮定の下では、連続的な混合メカニズム（Vasicek）が、離散的な感染メカニズムよりも集計データの特徴をよりよく捉えていることが示されました。

B. 階層モデルと分散分解

年次ごとのデフォルト確率の変動を導入した階層モデルでは、以下の重要な知見が得られました。

• 変動の主要因: 年次デフォルト件数の変動の大部分は、年次間のデフォルト確率 $p_t$ の変動（マクロ経済条件の変化）によって説明され、年内的な感染メカニズムによる寄与は二次的なものでした。
• Torri モデル（閾値型）の識別不可能性:
  • マクロ変動を導入すると、Torri モデルにおける感染成分（閾値型 contagion）の分散への寄与はほぼゼロになります。
  • 集計データレベルでは、閾値型の感染効果はマクロ経済の異質性に完全に吸収され、独立した成分として識別できません。
• Lo-Davis モデル（累積型）の識別可能性:
  • 対照的に、Lo-Davis モデルでは、分散分解において小さくても持続的な感染成分が残存することが確認されました。
  • 尾部の挙動においても、階層 Lo-Davis モデルは実データに最も近いフィットを示し、感染効果がマクロ変動とは区別可能な「痕跡」として残っていることが示唆されました。

C. 尾部リスク（VaR, ES）

• i.i.d. 指定では Vasicek モデルが最も優れていましたが、階層モデルでは Vasicek モデルは尾部リスクを過大評価する傾向がありました。
• Torri モデルは尾部を過剰に重く見積もる傾向があり、Lo-Davis モデルが最もバランスの取れた結果を示しました。

4. 結論と意義

• 集計データにおける感染の識別:
  • 集計された年次デフォルトデータにおいて、デフォルトのクラスター化は主に**時間変化する信用環境（マクロ変動）**によって駆動されています。
  • 感染効果は存在するとしても、主要な変動源ではなく、尾部の形状を微調整する二次的な役割を果たしています。
• メカニズムの識別可能性の差:
  • 閾値型感染（Torri）: 集計データではマクロ変動に吸収され、識別不可能です。
  • 累積型感染（Lo-Davis）: 集計データであっても、小さくても識別可能な構造的なシグナル（成分）を残します。
• 理論的意義:
  • デ・フィンエッティの定理（交換可能なベルヌーイ系は集計レベルで二項混合分布を生成する）の観点から、混合分布の構造が粗視化後にどの程度識別可能かを明らかにしました。
  • 高頻度データや企業間リンクデータが利用できない場合でも、累積的な感染メカニズムは集計データからある程度推測可能である一方、閾値型のメカニズムはマクロ変動と区別がつかないという限界を示しました。

5. 総括

この論文は、集計された信用リスクデータを用いて「感染」と「マクロ変動」を区別する際の根本的な限界と可能性を定量的に示した重要な研究です。特に、**「どのようなメカニズム（累積的か閾値的か）が、集計化という粗視化プロセスを生き残って識別可能になるか」**という点について、Lo-Davis モデルと Torri モデルの対比を通じて明確な結論を得ています。実務的には、集計データのみから過度に強い感染効果を推測することの危険性や、マクロ要因の重要性を再認識させる結果となっています。