Forecasting accuracy to portfolio value: Model risk and regime dependence in an emerging equity market
本研究は、モスクワ取引所の株式を分析することで、CatBoostが統計的な予測精度において最高である一方で、PatchTSTが優れたポートフォリオ・パフォーマンスをもたらすことを示し、さらに、モデル選択やレジーム・スイッチング戦略を用いても、新興市場における予測精度と横断的なランキング能力との間の根本的な乖離を確実に克服することはできないことを実証するものである。
原論文は CC BY 4.0 (https://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
多額の資金を運用する投資家たちは、絶え間ない、静かなジレンマに直面している。すなわち、どの銘柄が上昇し、どの銘柄が下落するかを推測しなければならないが、その推測方法が正しいかどうかを確信することは決してできないということである。これは単なる運の悪さの問題ではない。それは、不確実性という根本的な問題である。一つのレベルでは、投資家は株価の将来のリターンに対する自身の推定が間違っていることを懸念する。より深いレベルでは、その推定を行うために使用している数学的枠組みそのものが欠陥を抱えているのではないかと懸念するのである。安定した時期には、単純なルールがうまく機能することが多いが、経済環境が変化する時――インフレが急騰し、市場が不安定になり、あるいは価格が暴落する時――、それらと同じルールが失敗することもある。問いとなるのは、より複雑で柔軟な手法が、単純な手法よりもこうした変化する状況に適応できるのかどうか、そして、数値の予測において統計的に正確な手法が、実際に優れた投資成果をもたらすのかどうかである。
研究チームは、この問いをロシアの株式市場において検証することを試みた。そこは、過去10年間で経済状況が劇的に変化した場所である。彼らは、2016年後半から2025年までの期間を対象に、モスクワ取引所で取引されている約300社の企業データを収集した。この期間には、安定したインフレ、パンデミックによる世界的なショック、そして激しい地政学的緊張と金融引き締めの時期が含まれている。研究者たちは、企業の特性と将来のリターンとの関係が、市場が穏やかな時とストレスがかかっている時で変化するかどうかを確認したいと考えた。これを行うために、彼らは8つの異なる予測手法を競わせる制御された実験を構築した。これらの手法は、要因とリターンの間の一定の関係を仮定する単純な線形方程式から、複雑で非線形なパターンを検出し、新しいデータに適応することができる高度な機械学習アルゴリズムまで多岐にわたる。
研究者たちは、これら8つのモデルすべてに全く同じ情報を入力した。すなわち、企業の規模、バリュー、モメンタム、流動性のデータに、高インフレや急激な価格下落といった市場のストレス指標を組み合わせたものである。その後、各モデルに対し、次の3ヶ月間の株式リターンを予測するよう求めた。極めて重要な点は、彼らがモデルを自由勝手な競争にさせたのではなく、すべてのモデルに対してポートフォリオを構築するための同一のルールを使用することを強制したことである。彼らは、予測リターンが最も高い上位25銘柄を選択し、単一の銘柄への投資額に上限を設け、リスク管理も同一の方法で行った。これにより、最終的な結果に生じる差異が、資金配分の方法からではなく、純粋に予測の質に由来することを保証した。
結果は、統計的な正確さと現実世界の価値との間の驚くべき乖離を明らかにした。CatBoostとして知られる最も高度な機械学習モデルの一つは、リターンの予測において平均誤差が最も小さかった。それは数値を推測するという点では最も精密であった。しかし、研究者が「最高の銘柄を最悪の銘柄に対して正しくランク付けできるか」という点を見たとき、8つの手法すべてが振るわなかった。どの手法も、ランダムな推測よりも一貫して優れた銘柄を特定することはできなかったのである。この発見は、たとえ最も洗練されたアルゴリズムであっても、特に急速な構造変化が起きている新興市場におけるノイズの中から、信頼できるシグナルを見つけ出すことは困難であることを示唆している。
さらに重要なことに、本研究は、統計的な正確さが最も高いモデルが、必ずしも最高の投資ポートフォリオを生み出すわけではないことを示した。PatchingTSTと呼ばれるシーケンス学習アーキテクチャに基づいた別のモデルは、予測の全体的な正確性は比較的低かった。しかし、その予測を用いてポートフォリオを構築したところ、そのモデルは競争力のあるリスク調整後リターンを提供し、市場の下落局面においても損失を小さく抑えた。この結果は、決定的な教訓を提示している。すなわち、モデルはすべての数値を完璧に予測する必要はないということである。投資において有用であるためには、他の市場全体については間違っていたとしても、特定の銘柄が好調になることを特定するのに十分な能力があればよいのである。
研究者たちはまた、現在の市場状況に応じてモデルを切り替えることが可能かどうかについてもテストを行った。例えば、インフレが高い時にはあるモデルを使い、市場の暴落時には別のモデルを使うといった具合である。彼らは、最近の結果や経済の現状に基づいて、最も優れたパフォーマンスを示すモデルを自動的に選択するルールを作成した。この切り替えルールは、バックテストにおいて最も高い名目リターンを生み出したが、その優位性は統計的に信頼できるものではなかった。結果は固定された戦略と非常に近く、その差は偶然によるものである可能性が十分にある。さらに、このルールはデータを精査した後に設計されたものであるため、将来に向けた証明された戦略とはみなせない。この研究は、市場がストレス状態にあると知ることは、予測が信頼できなくなる時期を理解する上では有用であるが、どの数学的ツールを使用すべきかについての明確かつ自動的なシグナルを提供するものではないことを示唆している。
最終的に、本論文は、新興市場における株価リターンを予測するための単一の「最良の」モデルは存在しないと結論づけている。最も柔軟で複雑なモデルが、自動的に単純なモデルを凌駕するわけではない。また、統計的なコンテストで勝利したモデルが、必ずしも最も収益性の高いポートフォリオを構築するモデルであるとは限らない。投資家が直面する不確実性は二重である。彼らは、未来を予測することの固有の難しさに立ち向かわなければならないと同時に、どの予測手法がその瞬間に適しているかを確信を持って知ることはできないという事実を受け入れなければならないのである。このような環境において、最も堅牢なアプローチとは、完璧な予測マシンを探し求めることではなく、すべてのモデルにはリスクが伴うことを認識し、モデルの価値は平均的な正確さにあるのではなく、プレッシャーの下で適切な投資判断を導く能力にあるのだと認識することである。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。