連載：クオンツ資金管理の本質――予測よりも、破綻しない設計を学ぶ(第1回/全3回)
はじめに:良いシグナルを持っているのに、なぜ勝てないのか
システムトレードやクオンツ運用に一定期間取り組んだ人なら、おそらく一度はこういう経験をしたことがあると考えている。
- バックテストでは美しい右肩上がりだったのに、実運用でドローダウンに飲まれた
- 勝率60%以上の戦略を持っていたのに、数回の連敗でメンタルも口座も折れた
- 分散投資したつもりが、相関ショックでまとめて沈んだ
- AIモデルが方向を当てていたのに、サイズを誤って利益がほとんど残らなかった
これらの多くは、シグナル単体の精度よりも、サイジング・相関管理・執行制約の設計不備から生じることが多い、というのが筆者の見方だ。
クオンツ投資の議論は、どうしてもアルファ(超過収益の源泉)やモデル精度に集中しがちである。しかし、長期的な生存と複利成長を実際に決めるのは、エントリーではなく**「不確実な予測に対して、どれだけの資本を張るか」**という設計である。
本連載では、この命題を3回に分けて掘り下げていく。
本稿の前提:2つのレイヤーを分けて考える
議論を混乱させないために、本連載では資金管理を次の2つのレイヤーに分けて扱う。
| レイヤー | 対象 | 主な論点 |
|---|---|---|
| トレード単位のサイジング | 1トレード、1シグナル | Kelly、固定率、ATRベース、ストップ幅との整合 |
| ポートフォリオ単位のリスクバジェット | 戦略群、資産群 | 相関制御、分散設計、ドローダウン上限、HRP |
この2つは目的も数理も異なる。第1回では両方にまたがる思想を扱い、第2回で実装に落とす際に明確に区別して論じる。
連載全体の構成
| 回 | タイトル | 狙い |
|---|---|---|
| 第1回(本記事) | 予測精度より重要なもの | 価値観の転換。なぜサイジングが支配的なのかを腹落ちさせる |
| 第2回 | クオンツ実務の必須装備 | Kelly、ATRサイジング、DD制御、HRPなど実装項目を具体化 |
| 第3回 | AIは資金管理をどう変えるか | ボラ予測、DRL、レジーム検出、AIの落とし穴 |
1. 資金管理とは何か――損切りルールのことではない
クオンツ文脈で言う資金管理とは、単なる損切り幅の設定ではなく、以下のような複合的な最適化問題を指すことが多い。
- ポジションサイジング:1トレードあたり、または1戦略あたりに投下する資本比率の決定
- ボラティリティ調整:市場環境に応じたエクスポージャーの動的伸縮
- 相関制御:戦略間・資産間の分散効果の最大化
- ドローダウン抑制:累積損失に対するサーキットブレーカー
- テールリスク管理:レジーム変化や異常局面の検知と遮断
つまり資金管理とは、期待値が正の優位性(エッジ)を、実際の複利リターンへと変換するためのシステム設計である、と捉えるとわかりやすい。
ここで強調したいのは、資金管理はアルファを見つけた後に付け加える「後処理」ではない、ということだ。資金管理は、アルファを実際の資産成長へ変換する実装レイヤーであり、少なくともシグナル設計と同等に重要である。優位性がどれほど存在しても、サイジングが不適切であれば、その優位性は口座残高には反映されない。
2. なぜ予測精度よりサイジングが支配的なのか
2.1 小さな数値例:同じ戦略でも、リスク量で資産曲線は別物になる
勝率55%、平均利益1.2R、平均損失1R(1Rはリスク単位)の戦略を考える。期待値は $0.55 \times 1.2 - 0.45 \times 1.0 = +0.21R$ で、明確に正である。
この同じ戦略を、1トレードあたりのリスクを変えて100トレード回した場合、長期の資産曲線の形は大きく異なる。
| 1トレードあたりリスク | 期待される挙動 | 典型的な帰結 |
|---|---|---|
| 1% | なだらかな右肩上がり、DDは10〜15%程度に収まりやすい | 生存しやすく複利が効く |
| 3% | 成長は速いがDDは30〜40%に達しうる | 心理的限界に近づく |
| 10% | 数回の連敗でDD50%超、破産確率が急上昇 | 期待値が正でも事実上破綻 |
同じシグナル、同じ期待値、同じ勝率である。違うのはサイジングだけだが、結果はまったく別物になる。この「同じエッジから別の結果が出る」という事実こそが、資金管理が支配的である第一の根拠だ。
2.2 クオンツ言語での定式化
もう一歩踏み込むと、長期複利成長率は次の対数期待値で書ける。
$$
g(f) = \mathbb{E}[\log(1 + f R)]
$$
ここで $f$ は投下資本比率、$R$ はトレードあたりのリターンである。この $g(f)$ は $f$ について凹関数であり、$f$ が小さすぎれば成長は鈍く、$f$ が大きすぎれば対数が発散的に負へ引っ張られ、成長率はむしろ低下する。エッジ $R$ の分布が同じでも、$f$ の選び方で $g(f)$ は大きく変わる。
Kellyの具体形や $f^*$ の議論は第2回に送るが、ここでの要点は「サイジングは期待値の話ではなく、対数期待値の話である」ということだ。
2.3 ここから導かれる結論
エントリーシグナルは「勝てるかどうか」を決めるが、
資金管理は「生き残れるかどうか」を決める。
複利は「生き残った者」にしか効かない。これが第1回で最も伝えたい核心である。
3. 最大ドローダウンの非対称性――なぜDDが実務で重い指標か
クオンツ運用で最も軽視されがちで、かつ最も致命的な概念がドローダウンの回復非対称性である。以下の数字はぜひ記憶しておいてほしい。
| 下落率 | 元の水準に戻るために必要な上昇率 |
|---|---|
| -10% | 約 +11.1% |
| -20% | +25.0% |
| -30% | 約 +42.9% |
| -50% | +100.0% |
| -70% | 約 +233.3% |
-10%なら取り返しは容易である。しかし-50%まで落ちると、資産を2倍にしなければ元に戻らない。
これは単なる算数の問題ではなく、実運用上次のような帰結を持つ。
- 深いDDからの回復には時間がかかり、その間に戦略の優位性自体が失われるリスクがある
- 運用者のメンタルが先に折れ、戦略を途中で止めてしまう
- レバレッジ戦略では、DDが証拠金維持率に直結し、強制決済リスクが発生する
- 複利の観点では、深いDDは複利効果そのものを大きく毀損する
実務ではボラティリティ、最大DD、Expected Shortfall(ES/CVaR)を補完的に用いるが、投資家の痛みと資本毀損の観点では最大DDの比重が大きいことが多い。ボラティリティは「どれだけ揺れたか」を示すが、最大DDは「どれだけ構造的ダメージを受けたか」を示し、ESは「平均的にどれだけ尾部で失うか」を示す。3つは役割が異なる。
4. 実務制約:理論だけでは成立しない
ここで一つ、実務者には自明だが初学者が見落としやすい点を足しておく。
理論的に最適なサイズは、実運用では成立しないことがある。
- スプレッドとスリッページが想定を超えると、小さなエッジは簡単に消える
- 板の薄い銘柄や時間帯では、理論サイズがそのまま約定しない
- 証拠金・レバレッジ制約で、数理的な最適比率に到達できないケースがある
- キャパシティ(戦略の容量)を超えた瞬間、バックテスト上の優位性は劣化する
したがって、資金管理の設計には執行制約(execution constraints)を初めから組み込むべきである、というのが筆者の立場だ。Kellyの最適解を追うよりも、流動性とスリッページを織り込んだ「現実的サイズ」を先に決める方が、実務的には安全であることが多い。
5. クオンツ実務で見かける4つの誤解
誤解1:「Sharpeが高い=安全」
Sharpeレシオは上下のボラティリティを対称に扱うため、下方リスクを過小評価することがある。同じSharpeでも、DDの深さは戦略によって大きく異なる。Sortino、Calmar、最大DDを併せて見る方が実務的である。
誤解2:「勝率が高い=良い戦略」
勝率はリスクリワードと一体で評価しなければ意味をなさない。勝率90%でも、1回の負けで過去の勝ちを全部吹き飛ばす戦略は珍しくない(典型例:ナイーブな逆張り・マーチンゲール系)。
誤解3:「分散投資していれば安全」
銘柄数を増やしただけの分散は、相関ショックが発生した瞬間に無力化されることが多い。真の分散は銘柄数ではなく、相関構造に基づく設計で決まる。この論点は第2回でHRP(Hierarchical Risk Parity)と絡めて詳述する。
誤解4:「AIが当てれば解決する」
方向性予測の精度が上がっても、サイジングが不適切なら結果は変わらない。むしろAI時代に重要なのは、AIを予測装置ではなくリスク管理装置として使う発想である。この論点は第3回で展開する。
6. 視点の転換:資金管理は「守り」ではなく「攻め」である
資金管理を「損失を抑えるための守備的な話」と捉えている限り、その本質は見えてこないと考えている。
資金管理は、複利を守るための「攻め」である。
ドローダウンを浅くすることは、必要回復率と回復時間を圧縮し、複利の毀損を小さくする。50%のDDを30%に抑えれば、必要な回復リターンは100%から約43%に縮む。この差は、戦略の寿命と複利の効き具合そのものを変える。
したがってクオンツ運用者が真剣に議論すべきは、次の問いである。
- 自分の戦略が許容しうる最大DDはどこか
- そのDDを実現するサイジングはいくらか
- レジーム変化時にそのサイジングをどう動的に調整するか
- 相関急変時にポートフォリオ全体のDDをどう抑えるか
これらはすべて、エントリーシグナルの話とは独立した設計問題である。
7. 第1回のまとめと、第2回・第3回の予告
第1回のまとめ
- クオンツ運用の生死を決めるのは、予測精度よりも資金管理である。同じ戦略でもサイジング次第で資産曲線はまったく別物になる
- 長期複利成長率 $g(f) = \mathbb{E}[\log(1+fR)]$ は $f$ について凹であり、$f$ の選び方が支配的に効く
- 最大ドローダウンには回復の非対称性があり、DD管理は複利を守る「攻め」の設計である
- 理論最適サイズは、スリッページ・流動性・キャパシティといった執行制約と整合させる必要がある
- Sharpe至上主義、勝率信仰、素朴な分散、AI万能論は、いずれも資金管理の本質を見逃しやすい誤解である
第2回:実装論に落とす
- ポジションサイジング:フル・ケリー、フラクショナル・ケリー、固定率、ATRベースのボラティリティ調整サイジング
- ドローダウン抑制メカニズム:ステップダウン・スケーリング、日次損失制限、連敗停止、相関エクスポージャー制限
- 出口設計:テクニカル・ストップ、ATRベース・ストップ、トレーリング・ストップ、タイムストップの使い分け
- ポートフォリオ最適化:MVOの構造的脆弱性と、HRPが逆行列計算を回避する理由
特にKellyの推定誤差への脆弱性、MVOの数値的不安定性、ATRストップの限界など、**各手法の「壊れ方」**についても率直に書く予定である。
第3回:AIは資金管理をどう変えるか
- ボラティリティ予測とテールリスク回避:GARCH系からML系へ、Distance-to-Default × 機械学習による非線形ティッピングポイントの検知
- DRLによるエンドツーエンドのサイジング最適化:シグナル予測とサイズ決定を統合するDeep Momentum Networks、報酬関数の設計(Sharpe / Sortino / Differential Sharpe / ボラティリティ・スケーリング)
- レジーム検出と動的リスクウェイト:HMM、VAE、Transformerを用いた市場レジームの識別と、それに応じたエクスポージャーの自動調整
- AI資金管理の落とし穴:モデル暴走、未知ショックへの脆弱性、アルゴリズム同質化によるフラッシュクラッシュ的リスク、Human-in-the-loopの必要性
筆者の基本スタンスとして、最終的な投資判断をLLMや単一のAIに委ねるべきではないと考えている。AIの真価は、価格を当てることよりも、危険なときに資金を引く判断を支援することにある、というのが現時点での結論である。
おわりに
資金管理は地味であり、派手なアルファ発見の物語のような興奮はない。しかし、長く運用を続けるほど、自分の運用成績の大半は資金管理の設計によって決まっていたと気づくことが多い、というのが筆者の実感である。
次回は、この価値観を具体的な数式とアルゴリズムに落としていく。Kellyの現実的な使い方から、HRPの実装まで、クオンツ実務者が最低限装備すべき「必須装備」を一通り整理する予定である。
本記事はクオンツトレードにおける資金管理の体系整理を目的とした教育的コンテンツであり、特定の投資手法や戦略を推奨するものではない。実際の運用判断は自己責任でお願いしたい。