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。