Evaluating AI Investment Strategies

技術要約：AI投資戦略の評価

問題提起
本論文は、ヘッジファンド、ロボアドバイザー、執行アルゴリズムといった逐次的な環境における「ブラックボックス」型のアルゴリズム意思決定者を監査するという極めて重要な課題に取り組んでいる。規制当局（SR 11-7やSR-26-2に基づく）やプラットフォーム設計者は、内部のソースコードやプライベートなエージェント・タイプにアクセスすることなく、アルゴリズム戦略を評価するためのパフォーマンス指標を必要としている。単一期間の監査は可能であるが、マネージャーが各期間で新しいデータに基づいて再最適化を行う多期間の確率的動的計画法へのこれらの手法の拡張は、依然として未解決の問題である。核心となる困難は、累積悔恨（実現されたパフォーマンスと理論的な最適ベンチマークとの差）が、観測可能な量（入力と出力）のみによって分解可能かどうかを判断することにある。

手法および理論的枠組み
著者は、観測された状態とコストベクトル $c_t$ を決定 $z_t$ にマッピングする方策 $\hat{\pi}_t$ を持つ、一般的な有限期間確率的動的計画式を定式化している。ベンチマークは、現在の情報に基づき期待コストを最小化する条件付き平均最適方策 $\pi^*_t$ として定義される。

中心的な手法論的貢献は、累積悔恨の厳密な分解の導出である。本論文は、特定の条件下において、$T$ 期間の総悔恨が、コストベクトルと方策の決定との間の各期間の共分散の和と、バイアス補正項の和に等しいことを確立している：
$$\text{Regret}^{(T)}(\Pi) = \sum_{t=1}^T \text{Cov}(c_t, \hat{\pi}_t(c_t)) + \sum_{t=1}^T \bar{c}_t^\top b_t$$
ここで、$b_t = E[\hat{\pi}_t(c_t)] - \pi^*_t$ は、各期間の方策バイアスを表す。

分析は以下の理論的拡張を通じて進められる：

1. i.i.d. コスト： 独立同一分布（i.i.d.）のコストおよび平均不偏マルコフ方策（$E[\hat{\pi}_t] = \pi^*_t$）の下では、バイアス項は消失し、悔恨が共分散の総和に等しいという厳密な恒等式が得られる。
2. 非定常性： 時変的なコスト分布に対して、本論文は、コスト増分間のクロス期間共分散によって抑えられた閉形式のバイアス補正を導出している。
3. 無限期間： 割引期間のアナログが確立されており、割引悔恨が有効期間 $1/(1-\gamma)$ に対して線形にスケールすることを示している。
4. AR(1) プロセス： 平均回帰的な執行コスト（AR(1)としてモデル化）に対し、本論文は特定の自己共分散補正項を導出し、生の共分散の総和が、自己相関の符号に応じて真の悔恨を過大または過小に評価する可能性があることを証明している。
5. ベルマン再帰： 共分散悔恨汎関数に対するベルマン型の再帰が導出されており、これは強化学習におけるQ関数と構造的に類似している。これにより、元の最適化問題を解くことなく、標準的な動的計画法アルゴリズムを用いて多期間の悔恨を推定することが可能となる。

主な貢献
本論文は、以下の8つの具体的な貢献を行っている：

• 厳密な分解： i.i.d. コストおよび平均不偏方策の下で、総期待悔恨が各期間の入力・出力共分散の総和に厳密に分解されることを証明した。
• バイアスの特性付け： 非定常コストおよび時変方策に対する閉形式のバイアス補正を導出し、特にモメンタム戦略におけるバイアスを $O(|\hat{\rho}|T\sigma_c^2)$ として定量化した。
• アルゴリズム監査ツール： 一貫性があり、HAC（不均一分散および自己相関修正）分散を持つ、また $O(T \cdot nd)$ 時間で計算可能な軌跡共分散推定器を提案した。これにより、コストと配分の観測可能なシーケンスのみを用いたモデルフリーの監査が可能になる。
• 金融への応用： ローリングウィンドウ・ポートフォリオ再構築への理論の適用（推定誤差バイアスが $O(d/w)$ であることを示す）および、平均回帰的な執行コストへの適用（閉形式のAR(1)補正の提供）を行った。
• 強化学習との関連性： 標準的なRLインフラ（例：fitted-Q）が、導出されたベルマン再帰を通じて多期間の悔恨を推定するために転用できることを示した。

実証結果
理論は、2016年1月から2025年12月までのCRSP日次リターン・データを用いて検証されている。

• AR(1) 係数： 日次のAR(1)係数は、すべての年およびNBERのレジームにおいて一貫して負（$\hat{\rho} \in [-0.144, -0.004]$）であり、短期的な反転がモメンタムを支配していたことを示している。
• 戦略パフォーマンス： 回帰（リバージョン）戦略は、10年間のうち7年間でモメンタム戦略を上回った。
• バイアス補正： バイアス補正後の回帰戦略は、生の回帰戦略が失敗した2019年および2022年において、最良のリスク調整後パフォーマンスを提供した。このバイアス補正は「保険」として機能し、好調な年にはわずかなコストを伴うものの、モメンタムのダイナミクスが歪んだ際には大幅な利益をもたらす。
• ロバスト性： 本論文は、推定された $\hat{\rho}$ を上方へバイアスさせる可能性のある5つの混乱要因（サイズ効果、ビッド・アスク・バウンス、ボラティリティ・クラスタリング、横断的対時間軸モメンタム、および流動性供給）を特定している。その結果、算出された悔恨の数値は、モメンタムに起因する損失の保守的な上限となっている。

意義と主張
本論文は、アルゴリズム監査を統計的検定問題として再定義することで、規制監督のための「扱いやすい解決策」を提供すると主張している。

• 規制当局にとって： コンプライアンス担当者は、独自の最適化エンジンにアクセスすることなく、観測可能な入力と出力のみを用いて累積悔恨の信頼区間を構築でき、SR 11-7のような命令を満たすことができる。
• メカニズム設計にとって： この恒等式により、プリンシパルはエージェントのプライベートなタイプにアクセスすることなく、エージェントの悔恨を限定することができ、ブラックボックス監査とゲーム理論における共分散推定問題を結びつける。
• 方策改善にとって： ベルマン再帰は、各時点での共分散の減少が多期間の悔恨改善の十分条件であることを意味しており、完全な戦略列挙に代わる計算可能な選択肢を提供する。

著者は、理論的な分解は述べられた仮定の下で厳密に成立するものの、実証的な推定値は観測されないマイクロストラクチャー・ノイズやファクター露出のために上限値として機能することに触れ、実証的な悔恨の大きさについては控えめな立場をとっている。主要な価値提案は、逐次的決定システムにおけるパフォーマンス属性特定のための、厳密かつモデルフリーな指標を確立することにある。