Structural Break Detection and Regime-Dependent Financial Time-Series Forecasting Using Change-Point Models and Markov Switching: Evidence from Asia-Pacific Equity Markets

金融市場は、単一の不変なルールで動く機械ではありません。むしろ、異なる「気分」の間で揺れ動く、生きたシステムなのです。時には穏やかで予測可能であり、またある時には混沌とし、突然の激しい変動を起こしやすい状態になります。何十年もの間、経済学者たちはこれらの動きを予測し、未来を明確に見通そうと、モデルの構築に努めてきました。しかし、これらのモデルは根本的な問題に直面しています。それは、過去が未来の完璧なガイドであると想定しがちなことです。市場の性質が（例えば新しい法律、世界的な危機、あるいは投資家心理の変化によって）突如として変化したとき、古いデータに固執するモデルは、適応するのが危険なほど遅くなってしまいます。それは、穏やかな海のために描かれた地図を使って嵐の中を航海しようとするようなものです。

この問題を解決するために、研究者たちは市場の変化について、主に2つの考え方を開発してきました。一つは、市場が「穏やか」と「荒れる」の間を行き来するライトスイッチのように、繰り返される状態の間で切り替わる「レジーム・スイッチ（体制転換）」を探すアプローチです。もう一つは、ゲームの根本的なルールそのものが永久に変わってしまう、つまり古い地図がもはや通用しなくなるような「構造的変化（ストラクチャル・ブレイク）」を探すアプローチです。より新しく洗練されたアイデアは、これらを組み合わせたものです。すなわち、リアルタイムのシグナルを用いてルールが変わったことを検出し、その後、モデルの記憶を即座に調整して、直近の関連性のある歴史のみに焦点を当てるという手法です。本論文は、シンプルかつ困難な問いを投げかけます。このスマートで適応的なアプローチは、アジア太平洋地域の多様な市場における株価とリスクを予測する際、確立された手法よりも実際に優れているのでしょうか。

研究チームは、インド、日本、香港、韓国、オーストラリアの5つの主要株式市場のデータを用いて、このアイデアを検証することにしました。彼らは、グローバル・金融危機からパンデミック、そしてその先までを網羅する、約20年間の日次価格データを収集しました。彼らの目的は、「変化のシグナルを察知し、即座に過去の履歴を忘却できる」モデルが、古い部分を含めたすべての履歴を保持し続けるモデルよりも優れた成果を出せるかどうかを確認することでした。彼らは、標準的な市場モデルとリアルタイム検出器を組み合わせたシステムを構築しました。ベイズ・オンライン変化点検出として知られるこの検出器は、敏感な目覚まし時計のように機能します。これは市場のボラティリティを監視し、パターンの急激な変化を感じ取ると、アラームを鳴らします。アラームが鳴ると、モデルは記憶を縮小するようにプログラムされており、もはや関連性がなくなった可能性のある古いデータを破棄し、新鮮な情報に基づいて再学習を行います。

研究者たちは、この「ブレイク認識型（break-aware）」モデルを、記憶を決して縮小させない標準的なバージョンや、他のいくつかの一般的な予測ツールと比較検証しました。彼らは、各市場に対して1,000日間にわたる厳格な「一歩先（one-step-ahead）」の実験を実施しました。これにより、モデルは、実際の投資家がそうであるように、その特定の当日までに利用可能な情報のみを使用できることが保証されました。また、事前に正確な答えを知っているコンピュータ・シミュレーションも行い、彼らの手法が変化が起きた際に正しくパターンを特定できることを検証しました。シミュレーションでは、彼らのツールは正しいパターンを見つけ出す能力があることが示されましたが、現実世界のテストでは、より複雑な物語が明らかになりました。

結果は、これらの市場の未来を予測するための単一の「最善の方法」は存在しないことを明らかにしました。構造的変化の証拠は、国によって大きく異なりました。韓国のデータは、市場の振る舞いにおける3つの明確で永続的なシフトを示唆していました。一方、日本のデータは、市場が著しい混乱を経験していたにもかかわらず、そのような永続的な構造的変化は全く見られませんでした。この発見自体が極めて重要でした。つまり、この地域の市場は、単一の共通したリズムを共有していないということを証明したのです。ある国に有効なことが、他の国に盲目的に適用できるわけではありません。

翌日の実際の株価を予測するという点においては、スマートで適応的なモデルは勝利しませんでした。実際、ほとんどの市場において、過去の平均的なパフォーマンスや直近のトレンドを単に見ているだけの単純なモデルの方が、同等か、あるいはより優れたパフォーマンスを示しました。記憶を絶えずリセットしようとする複雑なモデルは、より正確な価格予測を生み出しませんでした。日本のようなケースでは、適応型モデルはより単純な代替案よりもむしろ成績が悪化しました。研究者たちは、絶えず忘却し再学習するという追加の複雑さが、翌日のリターンを予測する上では役に立たないことを発見しました。

物語は、価格の変動幅、すなわちボラティリティを見たときに少し変化しました。ここで、データの全履歴を保持する伝統的なモデルが、適応型モデルを上回りました。記憶を縮小させ続けるモデルは、市場がいかに荒れるかを予測する際に、より大きな誤差を生じる傾向がありました。たとえ市場が変化したとしても、長い歴史のデータを保持しておくことは、白紙の状態から始めるよりも、リスクの潜在的なパターンを理解する上で役立つようです。「リセットしない（no-reset）」モデルは、決して過去を忘れないことで、非常に競争力を維持し、いくつかの市場では平均的なボラティリティの予測において著しく優れていました。

しかし、適応型モデルが最も強いニッチを見出したのは、ダウンサイド・リスク、具体的には「バリュー・アット・リスク（VaR）」の予測においてでした。これは、銀行や投資家が、運の悪い日に直面する可能性のある最大損失を推定するために使用される指標です。インド市場とオーストラリア市場において、ブレイク認識型モデルは、このリスクの較正（キャリブレーション）において非常に優れた結果を出しました。このモデルは、極端な損失が発生する頻度を、他のモデルよりも正確に予測しました。インド市場については、損失が発生する日の数をほぼ完璧に予測しました。オーストラリア市場においても、非常に良好なパフォーマンスを示しました。しかし、この成功は普遍的なものではありませんでした。香港では、適応型モデルは保守的すぎ、実際に発生した極端な損失の日数よりもはるかに少ない日数しか予測できませんでした。また、韓国では、すべてのモデルがリスク分布の極端な裾（テール）を捉えるのに苦戦しました。

研究者たちはさらに、リスクの閾値を超えた日の損失がどの程度深刻であったかも調査しました。ここでは、適応型モデルは明確な優位性を示しませんでした。多くの場合、伝統的なモデルが、損失の規模についても同等か、あるいはそれ以上に正確に予測しました。研究は、構造的変化を知ることの価値は、何を予測しようとしているのか、そしてどの市場を見ているのかによって完全に左右される、という結論を下しました。それは、あらゆる予測を向上させる魔法の弾丸ではありません。

最終的に、本論文は、リアルタイムのアラームに基づいてモデルの記憶を絶えずリセットするというアイデアは、特定のタスクにおいては有用なツールであるが、金融予測のための普遍的なアップグレードではないことを示唆しています。最善のアプローチは市場に依存します。長い歴史を保持することが不可欠な市場もあれば、より短く焦点の絞られた視点が役立つ市場もあります。この研究は、金融市場があまりにも多様で複雑であるため、単一の完璧な公式は存在しないということを思い出させてくれます。最も効果的な戦略は、市場の具体的な性質を理解し、その特定の環境に適合するツールを選択することであり、より複雑で適応的なシステムが常に正解であると仮定することではないのです。