クオンツ入門者のための適応的市場仮説 Part 1

――なぜ「合理的な最適化」が市場を壊れやすくするのか

Andrew W. Lo教授「The Adaptive Markets Hypothesis: The Origin of Behavior」講義から学ぶこと

---

この記事で扱うこと（先に結論）

本記事は、Andrew W. Lo教授（MIT）の講義「Unit 6: The Adaptive Markets Hypothesis ― The Origin of Behavior」を、クオンツトレード入門者向けに読み解いたものである。

📺 関連講義動画：Andrew W. Lo, "The Adaptive Markets Hypothesis" lecture
本記事の数式・シミュレーション表はMITx 15.481xの講義スライドに基づく。上記動画は内容が近い関連講義で、合わせて視聴すると流れが追いやすい（完全な同一教材ではない点に注意）。

数式の厳密な導出よりも、投資・戦略設計への意味を重視する。先に要点だけ挙げておく。

• 行動バイアス（リスク回避・損失回避・確率マッチングなど）は、必ずしも「人間の欠陥」ではない。進化の過程で生存に役立った適応行動として導出できる。
• 個人にとって最適な行動と、集団にとって最適な行動は一致するとは限らない。
• どちらが正しいかを決めるのは「リスクの種類」である。Lo教授の整理では、系統的リスク（systematic risk）の環境では、一見すると非合理な行動が生き残り、個別リスク（idiosyncratic risk）の環境では、合理的な行動（Homo economicus）が生き残る。
• この視点は、AIが多くの投資家に同じ分析・同じシグナルを供給する時代において、特に重要になる。

---

1. クオンツは本当に人間のバイアスから自由なのか

クオンツ入門者が持ちやすい誤解から始めたい。

「クオンツはデータと数式で判断するから、人間の感情やバイアスから自由である。」

この考えは半分正しく、半分は危険である。

確かにクオンツ戦略は、裁量判断に比べてルール化されており、その場の感情の介入は減らせる。しかし、戦略を設計するのは人間である。

• どの市場を選ぶか
• どの特徴量を見るか
• どの期間で検証するか
• どの目的関数を最大化するか
• どのリスクを許容するか
• どのタイミングで戦略を止めるか

これらはすべて人間の判断を含む。さらに、AIやアルゴリズムが普及するほど、同じデータ・同じモデル・同じリスク管理ルールに参加者が集中する可能性がある。

ここで本記事の問いを置く。

合理的な判断が集まると、なぜ市場全体では非合理な結果が起きるのか。

この問いを考えるために、Lo教授の Adaptive Markets Hypothesis（適応的市場仮説、以下 AMH）を取り上げる。

---

2. EMH vs 行動ファイナンスを「超える」視点

従来の金融理論では、しばしば二つの立場が対比される。

• 効率的市場仮説（EMH: Efficient Market Hypothesis）：価格は利用可能な情報をすばやく反映し、継続的に超過リターン（アルファ）を得ることは難しい、という価格形成に関する仮説。「全員が合理的」という心理モデルそのものではなく、結果として価格が情報を織り込む、という主張だと読むのが正確である。
• 行動ファイナンス：人間は必ずしも合理的でなく、損失回避・過信・群集心理・アンカリングなどのバイアスを持つ。

AMHは、この二つを単純に対立させない。Lo教授（2004, 2005）の整理を一文にすると、おおむね次のようになる。

市場は常に効率的でも、常に非効率でもない。参加者が環境に適応する過程で、効率性と非効率性が入れ替わる。

つまり市場は静的な機械ではなく、参加者が学習し、模倣し、競争し、失敗し、再適応する生態系である。講義の最後のスライドでも、「効率性と非合理性はどちらも適応的（adaptive）であり、鍵は環境と行動の関係である」とまとめられている。

クオンツにとっての含意ははっきりしている。過去に有効だった戦略でも、環境が変われば機能しなくなる。あるバイアスを利用したエッジが存在しても、多くの参加者がそれを利用すればエッジは消えるか、逆に市場の脆弱性を生む。

---

3. 行動バイアスは「間違い」ではなく「適応」である

講義の出発点は Brennan and Lo（2011, 2012）の問いである。

• どうしてある行動は存在するに至ったのか
• もしそれが非合理なら、なぜ消えずに残るのか
• すべての行動は等価か
• そもそも「知能（intelligence）」とは何か

Lo教授の主張は明快である。リスク回避・損失回避・確率マッチング・ランダムな選択は、進化（自然選択）から導出できる。 そして重要なのは次の一点である。

個人の視点では一見「最適でない（suboptimal）」行動が、集団（population）の視点では「最適」になることがある。

たとえば損失回避。投資の文脈ではバイアスと呼ばれるが、生存の文脈では「利益を少し逃すこと」より「破滅的な損失を避けること」のほうが重要だった。

投資に置き換えると、

期待値が高い戦略に全資金を投じることが、長期的に合理的とは限らない。破滅を避けることは、期待値最大化よりも優先される場合がある。

クオンツでも同じである。最高リターンの戦略よりも、MaxDD（最大ドローダウン：資産が直近ピークからどれだけ落ち込んだかの最大値）が小さく、Time Under Water（TUW：ドローダウンから回復するまでの期間）が短く、OOS（Out-of-Sample：学習・最適化に使っていない期間のデータ）で崩れにくい戦略のほうが、長期では価値を持ちうる。

---

4. モデルの中身：二択モデルで「集団の最適」を見る

ここだけ、講義のモデルを最小限たどっておく。直感を持って先へ進むためである。

以下のモデルは生物学の繁殖モデルだが、クオンツ読者は「子の数」を「資本成長倍率」、「行動確率 $f$」を「戦略やリスクの配分比率」と読み替えると理解しやすい。ただし、これは厳密な金融モデルではなく、AMHの直感を掴むための最小モデルである。

対応関係を先に表にしておく。

注：スライド下部は「完全に同型」としているが、本記事の立場としては、対数成長最大化として同型、と読むのが正確である（Kelly基準と全く同じ問題ではない）。

4.1 設定（無性・一回繁殖の個体）

Lo教授は思い切って単純化したモデルを使う。

• 個体は1期間だけ生き、行動 $a$ か $b$ のどちらかを選び、子を残して死ぬ。
• 子は親とまったく同じ振る舞いをする（行動が「遺伝」する）。
• 個体は確率 $f$ で $a$ を、確率 $1-f$ で $b$ を選ぶ。$f \in [0,1]$。
  • $f=1$ なら常に $a$、$f=0$ なら常に $b$、その中間ならランダム化する。

$f$ の読み方の注意：ここでの $f$ は「単一個体が一回だけランダムに選ぶ確率」としても読めるが、後で出てくる対数成長率の式では、同じ $f$ を持つサブ集団が世代内で $a$ と $b$ にどの割合で分散しているかを表すと理解するとよい。クオンツに置き換えれば、$f$ は単一トレードの気まぐれなランダム化というより、資本・リスク・戦略配分の比率に近い。

行動 $i$ の子の数は

$$
x_i^f = I_i^f, x_a + (1 - I_i^f), x_b,\qquad
I_i^f = \begin{cases} 1 & \text{確率 } f \ 0 & \text{確率 } 1-f \end{cases}
$$

ここで $\Phi(x_a, x_b)$ が「行動が繁殖成功に与える影響」を要約する。これは環境・行動・遺伝のすべてを畳み込んだ**生物学的な縮約形（reduced form）**であり、戦略の文脈で言えば「環境×行動 → 損益」の写像にあたる。

4.2 どの行動が集団を支配するか

初期集団が $[0,1]$ 上に一様に散らばっているとする（あらゆる $f$ の個体がいる）。多世代を繰り返すと、どの $f$ が集団を支配するかが問題になる。

世代を通じた個体数は積で効くため、大数の法則を使うと、1個体あたりの対数成長率が

$$
\mu(f) ;\equiv; \mathbb{E}\big[\log\big(f x_a + (1-f) x_b\big)\big]
$$

に収束する。つまり支配するのは「期待値」を最大化する $f$ ではなく、「対数成長率 $\mu(f)$」を最大化する $f$ である。

ここがクオンツに刺さる点だ。期待値最大化ではなく対数成長率最大化 ―― これはKelly基準と完全に同じ問題ではない。ただし、長期の生存を対数成長率で評価するという意味では**同型（isomorphic）**である。複利で効く世界では、算術平均の期待値よりも、幾何平均、すなわち $\mathbb{E}[\log(\cdot)]$ が支配的になる。生物モデルと資本成長モデルを雑に同一視しているのではなく、構造が一致している、と読んでほしい。

成長最適な $f^*$ は、講義では次の一階条件で与えられる。

$$
0 = \mathbb{E}!\left[\frac{x_a - x_b}{f^* x_a + (1-f^*)x_b}\right]
$$

両端（$f^*=1$ または $0$）になるか内点解になるかは、$\mathbb{E}[x_a/x_b]$ と $\mathbb{E}[x_b/x_a]$ の大小で場合分けされる。

---

5. 確率マッチング：なぜ常に「一番良い選択」をしないのか

講義の山場が、この確率マッチングの例である。

5.1 完全に逆相関する二択

行動の結果が次のように、状態によって完全に逆相関しているとする。

行動	状態1（確率 $p$）	状態2（確率 $1-p$）
$a$	$x_a = m$	$x_a = 0$
$b$	$x_b = 0$	$x_b = m$

このとき対数成長率は

$$
\mu(f) = \log m + p \log f + (1-p)\log(1-f)
$$

となり、これを最大化すると驚くほど単純な解が出る。

$$
f^* = p
$$

つまり、状態1が起きる確率 $p$ とちょうど同じ割合で、行動 $a$ を選ぶのが成長最適になる。これが「確率マッチング（probability matching）」である。心理学では人間や動物が示す「非合理な」行動として知られてきたものが、ここでは集団の成長最適解として導出される。

5.2 巣をどこに作るか（Rain/Shine の例）

講義のたとえ話はこうだ。鳥が巣を場所 $a$ か $b$ に作る。環境は晴れ（$p=0.75$）か雨（$1-p=0.25$）。

• 場所 $a$：晴れなら子3、雨なら子0
• 場所 $b$：晴れなら子0、雨なら子3

個人の期待値だけ見れば、晴れの確率が高いので「常に $a$」（$f=1$）が一番良く見える。実際、期待値は $a$ のほうが高い。

しかし講義のシミュレーション表が示すのは、世代を重ねると $f^*=0.75$ の集団が他をすべて圧倒するという事実である。$f=1$（常に $a$）の集団は、最初に雨が一度でも来た瞬間に $x_a=0$ となり、全滅して二度と戻らない。

「最適」に見える $f=1$ は持続できない。$f^*$ が生き残る。

Lo教授はこれを 原始的な利他性（altruism）の一形態とも解釈できる、と述べる。個体は自分の期待値を犠牲にしているが、その「賭けを分散させる」性質が系統を存続させるからだ。

確率マッチングが有利になる条件も明示されている。

• 二つの選択肢が強く負相関しているとき
• 分散（diversification）が生存確率を高めるとき
• 二つの行動の期待収益を均す（equalize）ことに意味があるとき

5.3 クオンツへの翻訳

最高の戦略に全資金を集中するのではなく、複数の戦略・市場・時間軸・ロジックに分散することには、生存戦略としての意味がある。

短期的には、分散はリターンを下げるように見える。しかし長期的には、分散は破滅確率を下げる。これは単なるポートフォリオ理論ではなく、複利環境における幾何平均の論理（Kellyと同型の対数成長最大化）と、進化的生存の論理が一致している、と読むのが本記事の立場である。

---

6. 鍵は「リスクの種類」：Systematic vs Idiosyncratic

ここがPart 1の最も重要な分岐点である。同じ二択モデルでも、リスクの種類が変わると、生き残る行動が正反対になる。

用語注：ここでいう systematic / idiosyncratic は、CAPMのベータリスク／残差リスクというより、ショックが集団全体に同時に降るか、各個体に独立に降るかという意味で使う。トレードに置き換えるなら、全参加者が同時に食らう流動性ショックか、各戦略・各市場・各時間軸で独立に発生する損益変動か、という違いである。既存の市場リスク用語と混同しないでほしい。

6.1 系統的リスク（systematic risk）

5節までの設定では、晴れか雨かは全個体に同時に降りかかっていた。これが系統的リスクである。「晴れの年は全員が晴れ、雨の年は全員が雨」。

このとき、$f=1$ のように賭けを集中させた行動は、悪い状態が一度来た瞬間に全滅する。だから確率マッチングのような「一見すると非合理」な行動が生き残る。系統的リスク ⇒ 一見suboptimalな行動が選ばれる。

6.2 個別リスク（idiosyncratic risk）

ここで「小さな」変更を加える。各個体の結果 $(x_a, x_b)$ が、**同世代の個体間でも独立（IID）**だとする。つまり個体 $i$ の運不運は個体 $j$ に何の関係もない。各個体が自分だけの「マイクロ気候（microclimate）」「生態的ニッチ」にいる状態である。

この「小さい」変更が、行動に巨大な影響を与える。成長最適な行動は次のように一変する。ここで $\mu_a, \mu_b$ は、この文脈では各行動の平均的な繁殖成功（モデル上の期待成長率）を表す。

$$
f^* = \begin{cases} 1 & \text{if } \mu_a > \mu_b \ 0 & \text{if } \mu_a \le \mu_b \end{cases}
$$

つまり平均繁殖成功（モデル上の期待成長率）が高い選択肢に集中するのが、このモデル設定では成長最適になる。講義のシミュレーション表でも、個別リスク版では $f=1$ の集団が最大に増えていく（系統的リスク版で全滅したのとは正反対）。

Lo教授のまとめは強烈である。

• 個別リスク下では、個人最適と集団最適に差がない。
• 行動バイアスもリスク回避もなく、全員が**「合理的（Homo economicus）」に振る舞う**。
• 行動が皆同じでいられるのは、環境が同じでないから。
• もし環境が皆同じ（=系統的）なら、行動は同じではいられない。
• 「Nature abhors an undiversified bet（自然は分散されていない賭けを嫌う）」。

6.3 一枚の地図にすると

同じ生き物でも、置かれたリスク環境が違えば、生き残る行動は逆になる。 これがPart 1の核心であり、行動の「合理／非合理」は環境の関数だ、という主張の数学的な根拠である。

---

7. 個人の合理性が、集団の非合理性を生むとき

6節を投資に翻訳すると、こうなる。

あるクオンツ戦略がバックテストで高い期待値を示したとする。個人にとっては集中することが合理的に見える。だが多くの参加者が同じ戦略を使い始めるとどうなるか。

• 同じタイミングでエントリーする
• 同じ価格帯にストップを置く
• 同じリスクシグナルでポジションを縮小する
• 同じタイミングで損切りする

その結果、個人には合理的だった判断が、市場全体では流動性の消失・急落・クラウディング・フラッシュクラッシュのような現象を生む。

ここで重要なのは、参加者が同じ行動を取ること自体が、idiosyncratic だったリスクを systematic に変えてしまうという構造である。各自バラバラに賭けているうちは個別リスクだが、全員が同じモデルで同じ判断をした瞬間、運命は連動し、系統的リスクに転化する。そして6節の通り、系統的リスク下では「全振り＝最適化」は脆い。

個人の合理性が集まると、集団の非合理性（脆弱性）を生むことがある。

---

8. AI時代への接続：賢く、同じ方向に間違える

ここが本記事の差別化したい点である。

AIを使えば投資分析は速くなる。ニュース要約、決算分析、マクロ整理、ファクター分析、コード生成、バックテスト補助、レポート作成 ―― いずれも大きなメリットだ。

しかし、AIが多くの人に同じような答えを出すなら、それは新しい群集行動を生みうる。7節の言葉で言えば、AIは投資家が自分のニッチ（idiosyncratic な視点）を捨てて、同じ環境に集まることを後押ししかねない。個別リスクが系統的リスクへ転化する力が働く。

ここからはLo教授の講義内容そのものではなく、AMHをAI時代の市場構造に拡張して読む本記事の仮説である。問題はAIが間違うことではない。むしろ、AIが多くの参加者に似た仮説、似たコード、似たリスク管理、似た執行判断を与えることで、参加者間の判断相関を高める可能性があることだ。具体的には:

• 同じLLMに同じ銘柄ニュースを要約させる
• 同じファクター候補を生成させる
• 同じPythonコードでバックテストする
• 同じ出来高・ボラティリティ・ドローダウン条件でリスクオフする
• 同じ流動性の薄い市場にシグナルが集中する

もともと分散していた判断がこうして同質化すると、idiosyncraticだったリスクがsystematicに転化する。

AIが賢くなるほど、市場参加者は同じ方向に「賢く」間違える可能性がある。

だからAI時代のクオンツに必要なのは、AIに判断を丸投げすること――共通モデル・共通データ・共通リスク管理によるシグナル同質化に無自覚に乗ること――ではない。必要なのは、AIが生む同質性を疑う視点である。AIは仮説生成や検証作業の補助には有効だが、最終的に見るべきは以下だと考える。

• その仮説は市場構造として説明できるか
• OOSで再現するか／WFOで壊れないか
• 参加者が増えても残るエッジか
• コストとスリッページ後に残るか
• 皆が同質化したときに逆回転しないか

（補足として、筆者は最終的な投資判断をモデルに委譲しない、という方針を維持している。AMHの観点からも、判断の同質化を避けるための Human-in-the-Loop には一定の意味があると考えている。）

---

9. クオンツトレーダーのための3つの教訓

教訓1：最適化しすぎない

バックテストで最良のパラメータを選ぶことが最善とは限らない。環境が変われば最適値はすぐ壊れる。見るべきは最高成績ではなく、

• 広いパラメータ範囲で安定しているか
• OOS／WFOで崩れないか
• コストを入れても期待値が残るか
• 数本の大勝ちに依存していないか
• MaxDDとTime Under Waterが許容範囲にあるか

最高値を探すのではなく、壊れにくい構造を探す。

教訓2：分散はリターンを下げる妥協ではなく、生存性を上げる設計

5〜6節の通り、分散は「賭けを分散する」進化的生存戦略であり、複利環境では幾何平均を守る行為でもある。戦略分散・市場分散・時間軸分散・執行ロジック分散・レジーム分散・データソース分散 ―― 一つが壊れても全体が生き残る構造を作る。

教訓3：エッジは環境依存である

AMHではエッジは固定的ではない。参加者の増加、技術の進化、AIの普及、流動性構造の変化、規制変更、金融政策の変化などで、昨日のエッジは消える。必要なのは「一度勝てる戦略」ではなく、

環境変化を検知し、戦略を適応させる仕組み。

付録：AMH的な戦略レビュー項目

3つの教訓を、運用前のチェックリストに落とすと次のようになる。

• そのエッジはどの市場環境で発生しているか
• 参加者が増えた場合に消えるエッジか、逆回転するエッジか
• パラメータを少し動かしても残るか
• OOS、WFO（Walk-Forward Optimization：期間をずらしながら学習→検証を繰り返す手法）、DryRun（実発注せず実時間データで挙動を確認する段階）で同じ方向の結果が出るか
• コスト・スリッページ・約定拒否後にも残るか
• 同じシグナルを使う参加者が増えたとき、流動性は足りるか
• その戦略はポートフォリオ全体の相関を下げるか、上げるか
• 破滅確率、MaxDD、TUWをどう抑えるか

---

10. Part 1のまとめ：最適化より適応

Lo教授のAMH Part 1が教えるのは、市場では「正しい答え」が固定されていないということである。

• ある環境で合理的だった行動が、別の環境では非合理になる。
• 個人に合理的な判断が、集団では脆弱性を生む。
• 行動バイアスは単なる間違いではなく、過去の環境では生存に役立った適応の痕跡かもしれない。
• そして、合理／非合理を決めるのはリスクが系統的か個別的かである。

クオンツに置き換えれば、

必要なのは最高のバックテスト結果を探すことではなく、変化する市場環境の中で生き残る構造を設計することである。

最後にこう締めたい。

予測よりも生存。
最適化よりも適応。
単一戦略の期待値よりも、ポートフォリオ全体の壊れにくさ。

これが、Adaptive Markets Hypothesis Part 1からクオンツ入門者が学ぶべき本質だと考える。

---

次回予告

Part 1では「行動の起源」――合理／非合理を決めるのはリスク環境だ、という土台を扱った。続編は次の通り。

• Part 2：クオンツトレーダーが理解すべき「限定合理性」（Bounded Rationality / Human and Artificial Intelligence）
  市場を構成する人間は、完全合理的な最適化マシンではない。限られた情報・時間・計算能力の中で、記憶・予測・物語・経験則（ヒューリスティック）を使って「十分によい判断」をしている（Simonのsatisficing、Hawkinsの記憶・予測モデル）。この限定合理性こそが市場の歪みとエッジの源泉であり、同時に戦略が壊れる原因でもある。クオンツ戦略もまた一種のヒューリスティックであり、「正解」ではなく「環境に適応した仮説」として扱うべきだ、という視点に落とし込む。

• Part 3：市場は効率的なのではなく、環境に応じて効率化する（AMHと市場理論／エッジの寿命）
  Part 1・2の「合理性は環境依存」という考えを、個人行動から市場全体へ拡張する。なぜバックテストで勝った戦略は死ぬのか。知性とは未来を当てる力ではなく生き残る力である、という定義。戦略に絶対的な優劣はなく「環境との相性」だけがある（It's the environment, stupid）。適応的リスク認識（リスクは客観値ではなく主観で歪む）、EMHとAMHの違い（ケララ州の魚市場の例）、AI時代の合理性の同質化が生む新しい非効率、そしてWFO・Holdout・DryRun・GoLiveという検証プロセスへの落とし込みを扱う。

---

参考

講義スライドと動画は完全に同一の教材ではないため、分けて記載する。

• 講義スライド：MITx 15.481x, Andrew W. Lo, "Unit 6: The Adaptive Markets Hypothesis — Lecture: The Origin of Behavior."（本記事の数式・シミュレーション表はこちらに基づく）
• 📺 関連講義動画：Andrew W. Lo, "The Adaptive Markets Hypothesis" lecture. https://youtu.be/D-q6pwRhico （Saïd Business School のClarendon lecture として公開されているもの。スライドと内容は近いが同一教材ではない点に注意）
• Lo, A. W. (2004), "The Adaptive Markets Hypothesis: Market Efficiency from an Evolutionary Perspective," Journal of Portfolio Management 30, 15–29.
• Lo, A. W. (2005), "Reconciling Efficient Markets with Behavioral Finance: The Adaptive Markets Hypothesis," Journal of Investment Consulting 7, 21–44.
• Brennan, T. J. and Lo, A. W. (2011), "The Origin of Behavior," Quarterly Journal of Finance.
• Brennan, T. J. and Lo, A. W. (2012), "An Evolutionary Model of Bounded Rationality and Intelligence," PLOS ONE 7(11): e50310.
• Hirshleifer, J. (1977), "Economics from a Biological Viewpoint," Journal of Law and Economics 20, 1–52.
• Simon, H. (1956), "Rational Choice and the Structure of the Environment," Psychological Review 63, 129–138.

免責：本記事は教育・研究目的の解説であり、投資助言ではない。最終的な投資判断は各自の責任で行ってほしい。