Andrew W. Lo教授「Adaptive Markets Hypothesis」Part2：Bounded Rationality / Human and Artificial Intelligence を、クオンツトレーダー視点で読み解く
はじめに
クオンツトレードを学び始めると、多くの人はまず「より良い予測モデル」や「より高いバックテスト成績」を求めると思う。私自身もそうだった。
しかし、MITのAndrew W. Lo教授の講義 Adaptive Markets Hypothesis（AMH）Part2 が教えているのは、少し違う方向だと考えている。
市場を理解するには、まず市場を構成している「人間」の判断メカニズムと、その限界を理解しなければならない、ということだ。
Part1では、市場は常に効率的でも常に非効率でもなく、参加者の学習・競争・淘汰・適応によってエッジが生まれたり消えたりする、というAMHの全体像を扱った。
Part2では、その市場を作っている人間の意思決定そのものに焦点を当てる。
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、限られた時間、限られた計算能力の中で、記憶・予測・物語・経験則を使って「十分によい判断」をしている。
そして、その経験則こそが市場の歪み（＝エッジ）の源泉であり、同時に戦略が壊れる原因にもなる、と私は考えている。
本記事では、講義の流れに沿いながら、これをクオンツ戦略の設計・検証にどう落とし込むかを整理する。
この記事で伝えたい中心メッセージ
先に結論を一文で書いておく。
クオンツ戦略とは、永遠の法則を探す作業ではない。限定合理的な参加者が生む一時的な構造を仮説化し、どの環境で残り、どの環境で壊れるかを検証し続ける作業である。
以降の章は、すべてこの一文を補強するための材料だと思って読んでほしい。
はじめに：Part1の復習――市場は「固定された機械」ではなく「適応する生態系」である
本題の前に、Part1を一段落だけ復習しておく。
伝統的な効率的市場仮説（EMH）では、市場価格は利用可能な情報をすばやく反映し、簡単に超過リターンを得ることはできないと考える。一方、行動ファイナンスは、人間のバイアスや非合理性が市場の歪みを生むと考える。
Lo教授のAMHは、この二つを対立する理論としてではなく、進化論的に統合する点が特徴だと考えている。
- 市場は常に効率的でも、常に非効率でもない
- 参加者が学習し、競争し、資金配分を変え、戦略を模倣し、失敗した戦略が淘汰されることで、市場の効率性は時間とともに変化する
つまり、エッジは存在する。しかし永続するとは限らない。
ある時期に有効だった戦略は、参加者が増えれば収益機会が縮小する。環境が変われば、過去に合理的だったルールが損失の原因になる。市場は静的な均衡ではなく、動的な適応システムである。
クオンツトレーダーにとってPart1の教訓は明確だと思う。
バックテストで見つけたエッジは、永遠の真理ではない。市場環境と参加者の適応によって、エッジは変化する。
ではPart2は何を説明するのか。
なぜ市場参加者は完全合理的に行動できないのか。なぜ経験則で判断するのか。なぜその経験則が市場の歪みを作るのか。そして、なぜその歪みは時間とともに変化するのか。
ここからが本題である。
第1章：人間は完全合理的な投資家ではない
金融理論では、しばしば投資家は「合理的に期待効用を最大化する存在」として扱われる。
しかし現実の人間は、
- すべての情報を持っているわけではない
- すべての選択肢を比較できるわけでもない
- 将来の確率分布を正確に知っているわけでもない
時間は限られている。情報は不完全である。計算能力にも限界がある。市場環境は常に変化する。
このような条件下で、人間は完全な最適解を求めるのではなく、「十分によい判断」を行う。
これがHerbert Simonの Bounded Rationality（限定合理性） であり、satisficing（満足化） という考え方である。Simonは経済学・心理学・計算機科学にまたがる業績でノーベル経済学賞とチューリング賞の両方を受賞した人物であり、この概念はAI研究にも大きな影響を与えた。
ここで強調しておきたいのは、これは「人間が単純に愚かだ」という話ではない、という点である。
人間は、複雑すぎる世界の中で、限られたリソースを使って現実的に判断している。完全な最適化ではなく、実行可能な判断をしているのである。
クオンツ視点で言い換えると、こうなる。
市場参加者は「最適化問題の解」を毎回計算して売買しているのではない。
彼らは、経験則・過去の記憶・恐怖・期待・ポジション制約・リスク管理ルール・組織内の意思決定プロセスの中で売買している。
この限定合理性が、市場の歪みの出発点になる。
第2章：最適化は現実には不可能――洋服選びの例
Lo教授は、限定合理性を説明するために「服を選ぶ」例を使っている。これがわかりやすいので紹介する。
仮に、ジャケット5着、パンツ10本、ネクタイ20本、シャツ10枚、靴下10足、靴4足、ベルト5本があるとする。
組み合わせは 200万通り になる。
もし1つの組み合わせを評価するのに1秒かかるなら、全探索には 23.1日 かかる。
しかし実際には、人間は数分で服を選ぶ。
なぜか。全探索していないからである。
人間は次のような経験則で選択肢を一気に絞り込む。
- 今日は仕事だからこの系統にする
- この靴ならこのパンツにする
- この色の組み合わせは避ける
- 前にうまくいった組み合わせを使う
- 時間がないので無難な組み合わせを選ぶ
投資でも構造はまったく同じだと考えている。
すべての銘柄、すべての通貨ペア、すべての時間軸、すべてのファクター、すべてのニュース、すべてのマクロ指標、すべてのパラメータを完全に比較して投資判断することはできない。
だから市場参加者は経験則を使う。
- 金利が上がればグロース株は弱い
- リスクオフでは円が買われやすい
- 急騰後は利確が出やすい
- 重要指標前はポジションを落とす
- ボラティリティが高いときはサイズを下げる
- 直近で損をした戦略は止める
これらのルールは完全な最適化ではない。しかし現実の市場参加者は、このようなルールで動いている。
したがって、クオンツが見るべきものは「完全合理的な投資家が作る理想的な市場」ではない。
限定合理的な参加者が、どのような経験則で行動しているのか――である。
第3章：人間はデータではなく「物語」で記憶する
Part2では、Jeff Hawkinsの Memory/Prediction Model（記憶と予測のモデル） が紹介される。
このモデルの背景にある問いはシンプルだ。ニューロンは1秒に約200回しか発火できず、スーパーコンピュータより桁違いに遅い。それでも人間は約0.5秒で顔を識別する。なぜか。Hawkinsの答えは、知能の本質は計算速度ではなく 「記憶」と「予測」 にある、というものだ。
ここでクオンツにとって重要なのは、脳科学そのものではない。重要なのは次の対比である。
- コンピュータはデータを保存する
- 人間は出来事の順序・ストーリー・ナラティブとして知識を保存する
これは投資判断において非常に重要だと考えている。
市場参加者は、価格変動を単なる時系列データとしてだけ見ているわけではない。彼らは次のような「物語」で市場を理解している。
- 前回のCPIショックでは株が急落した
- 日銀介入のあとドル円は大きく反転した
- リーマンショックのような信用不安が再来するかもしれない
- AI関連株は構造的成長テーマである
- 高値更新後はモメンタム投資家が入ってくる
- 何度も跳ね返された価格帯では売りが出やすい
つまり、市場には数値データだけでなく、参加者の記憶された物語が埋め込まれている。
クオンツ的に言えば、これは「ナラティブがフローを生み、フローが価格を動かす」という構造である。
ただし、物語は常に正しいとは限らない。後付けの説明、過去の成功体験、恐怖の記憶、バブル的期待が、過剰反応や誤った価格形成を生むこともある。
この意味で、物語はエッジの源泉にもなり、リスクの源泉にもなる、というのが私の見方である。
第4章：予測は人間の本能である
Lo教授は、予測は人間にとって本能的なものだと説明する。
生存には予測が必要である。危険を予測できなければ生き残れない。食料を得るにも、敵を避けるにも、次に何が起きるかを予測しなければならない。
そして、人間にとって最も強い恐怖の一つは 「未知への恐怖（fear of the unknown）」 である。
これは市場にもそのまま当てはまると考えている。
投資家は不確実性を嫌う。
- 情報が不足すると、リスクプレミアムが上がる
- 予測できないイベントが起きると、ボラティリティが急上昇する
- 多くの参加者が同時に「わからない」と感じると、ポジション解消が集中し、急落や流動性低下が起きる
逆に、市場参加者が「わかった気になる」と過信が生まれる。この過信は、バブル・レバレッジ拡大・リスクの過小評価につながる。
市場は、予測したい人間の集合体である。しかし未来は完全には予測できない。
この矛盾こそが、ボラティリティ・過剰反応・トレンド・反転・クラッシュを生むのだと考えている。
ここでのクオンツへの示唆は明確だ。重要なのは予測そのものを否定することではない。
重要なのは、予測を絶対視しないことである。
予測は点ではなく分布として扱うべきであり、外れたときに生き残れる構造を設計すべきである。資金管理を信号精度より優先すべき理由も、突き詰めればここにあると考えている。
第5章：ヒューリスティックは悪ではない。ただし環境が変わると壊れる
ヒューリスティックとは、複雑な問題を素早く判断するための経験則である。
これは悪いものではない。むしろ、人間が複雑な現実世界で生きるために必要な道具である。
問題は、ヒューリスティックが常に正しいわけではないことだ。ある環境で有効だった経験則が、別の環境では損失の原因になる。
実務的な例を挙げる。
- 押し目買い：レンジ相場では有効でも、構造的な下落トレンドではナンピン損失を拡大する
- 平均回帰：低ボラティリティ環境では有効でも、強いトレンド相場では踏み上げられる
- ボラティリティ売り：平穏な相場では利益を積み上げるが、クラッシュ時には一気に破綻する
- 短期的なリスク削減：個別には合理的でも、多くの参加者が同時に行えば流動性低下と急落を生む
ここでLo教授の重要な主張が出てくる。ヒューリスティックは固定ではなく、進化するという点である。
- 人間は最初から「何が十分によい判断か」を知っているわけではない
- 環境の中で試行錯誤し、生き残った経験則が残る
これは、AMHの中心に直結している。
市場参加者のヒューリスティックが進化するから、市場も変化する。市場が変化するから、エッジも変化する。
Simonの「satisficing」をLo教授がAMHにつなげた要点は、まさにこの「ヒューリスティックの進化」にあると私は理解している。
第6章：クオンツ戦略もヒューリスティックである
ここが、クオンツトレーダーにとって最も重要な部分だと考えている。
クオンツ戦略は、市場の絶対法則ではない。それは、ある市場環境に適応した判断ルールである。
つまり、クオンツ戦略も一種のヒューリスティックである。
- バックテストで高い成績が出たとしても、それは過去の環境にうまく適応していただけかもしれない
- パラメータ最適化で見つけたルールは、過去のノイズに過剰適応している可能性もある
だから、クオンツトレーダーが見るべきものは「利益が出たかどうか」だけではない。見るべきなのは次の問いである。
- その戦略はどの市場環境で効いたのか
- どの市場環境で壊れたのか
- どの参加者行動に依存しているのか
- その参加者行動は今後も残るのか
- コスト後でもエッジは残るのか
- WFO（Walk-Forward Optimization）で再現するのか
- Holdout期間で生き残るのか
- DryRunで約定・スリッページ・実運用に耐えるのか
- 同じ戦略を多くの人が使ったらエッジは消えるのか
ここで重要なのは、「最適化」よりも 「適応可能性（robustness）」 である。
過去に最も勝ったパラメータを探すだけでは足りない。問うべきは次のことだ。
- 環境が変わったときに、どの程度壊れにくいのか
- 壊れたときにどう検知するのか
- 戦略を止める条件は何か
- 再学習・再検証のプロセスはあるか
これが、Part2をクオンツに応用する際の核心だと考えている。検証プロセスを段階で持つと整理しやすい。
一文でまとめると、こうなる。
クオンツ戦略は、正解ではなく仮説である。そして良い仮説とは、勝つ条件だけでなく、壊れる条件まで言語化されている仮説である。
第6.5章：行動仮説を、検証可能なクオンツ仮説に変換する
「市場参加者がヒューリスティックで動く」と言うだけでは、まだ戦略にはならない。ここがクオンツの本番である。
クオンツ戦略に落とすには、少なくとも次の形まで分解する必要があると考えている。
-
誰の行動に賭けているのか
例：短期CTA、裁量マクロ、個人投資家、リスクパリティ、マーケットメイカー、オプションディーラー -
どの制約がその行動を生むのか
例：損切りルール、VaR制約、証拠金、月末リバランス、決算前のポジション調整 -
それは市場データ上、何として観測できるのか
例：出来高急増、ボラティリティ上昇、相関上昇、板の薄さ、終値付近のフロー、先物主導の価格変化 -
どの環境で有効で、どの環境で壊れるのか
例：低ボラ環境では平均回帰、高ボラ・流動性低下環境ではトレンド継続 -
コスト後に残るのか
例：手数料、スプレッド、スリッページ、マーケットインパクトを差し引いても期待値が残るか
この5点を言語化できない戦略は、バックテストで勝っていても、単なるパターン発見に近いと考えている。
歪みはエッジそのものではない
ここで一つ、実務上の重要な区別を置いておきたい。
市場の歪みは、エッジそのものではない。それはエッジの候補である。
その歪みが、取引コスト・スリッページ・容量制約・競争・テールリスクを超えてなお期待値を持つとき、初めてクオンツ戦略として扱う価値が生まれる。限定合理性が生む歪みを見つけた段階は、まだスタート地点に過ぎない。
クオンツ戦略として検証する前に問うべきこと
第6章・第6.5章の内容を、実務のチェックリストに落とすと次のようになる。
- この戦略は、どの参加者のどの行動に依存しているのか
- その行動は、なぜ今後も残ると考えられるのか
- エッジは価格・出来高・ボラティリティ・相関・板・ファクターのどこに現れるのか
- インサンプルの勝ち方は、アウトオブサンプルでも再現するのか
- パラメータを少し変えても性能は残るのか（過剰適合をどう疑うか）
- 取引コスト・スプレッド・スリッページ・マーケットインパクト後に残るのか
- 容量を増やしたときに期待値はどの程度劣化するのか
- どのレジームで壊れるのか
- 壊れたことを何で検知するのか
- いつ止めるのか（Kill Switchの条件）
第7章：AI時代の新しい限定合理性
Part2の講義タイトルには Human and Artificial Intelligence が含まれている。これは現代のクオンツにとって、極めて重要な論点だと考えている。
AIは人間の限界を補う。大量の情報を読み、パターンを見つけ、ニュースを要約し、モデルを作り、リスク管理を支援できる。
しかし、AIが市場を完全に合理化するとは限らない、というのが私の見方だ。
むしろ、似たデータ・似たモデル・似たLLM・似たリスク管理ルールが広く使われるほど、市場参加者の 反応関数が似てくる 可能性がある。
- 同じシグナルを見る
- 同じニュースに反応する
- 同じリスクモデルでポジションを落とす
- 同じ局面で流動性を求める
- 同じ資産を安全資産とみなす
これは「AIが新しい認知バイアスを生む」という話というより、モデルの同質化によるフローの集中と捉えた方が、クオンツ的には扱いやすいと考えている。個別には合理的な判断が、集計されると同じ局面で同じ方向の注文を生み、市場全体では非合理的な結果につながりうる。
クオンツにとって重要なのは、「AIが賢いかどうか」ではない。重要なのは、多くのAI的意思決定が同じ局面で同じ方向の注文を出すかどうかである。これは検証すべき新しい市場仮説として置いておきたい。
AIは人間の認知バイアスを減らすかもしれない。しかし同時に、モデルの同質化・データの同質化・意思決定の集中化によって、新しい種類の市場の歪みを生むかもしれない。
クオンツトレーダーにとって、ここにはチャンスとリスクの両方がある。
- AIによって生まれる同質的なフローを観察できれば、エッジになる可能性がある
- 一方で、自分自身も同じAI的判断に巻き込まれているなら、大きな損失の原因になる
「自分の戦略は、どのAI的同質フローに乗っていて、どのフローに逆らっているのか」を意識することが、これからますます重要になると考えている。
第8章：Part1とPart2をつなぐ――市場の歪みは「人間の限界」と「適応」から生まれる
最後に、Part1とPart2を接続して全体像を描く。
- Part1：市場は適応する生態系である
- Part2：その市場を構成する人間は、完全合理的ではなく限定合理的であり、記憶・予測・ヒューリスティックによって判断している
この二つをつなげると、AMHの本質が見えてくる。
- 市場の非効率性は、人間の限定合理性から生まれる
- しかし、その非効率性は固定ではない
- 参加者が学習し、競争し、模倣し、失敗し、淘汰されることで、市場構造は変化する
つまり、
エッジは「人間の限界」から生まれ、「市場の適応」によって消える。
Part1が「市場は適応する」と言った講義なら、Part2は「なぜなら人間の判断ルール自体が適応するからだ」と説明する講義である、と理解すると腑に落ちると思う。
これが、AMHをクオンツトレーダーが学ぶべき理由だと考えている。
まとめ
クオンツトレードにおいて、バックテストや最適化は重要である。これは間違いない。
しかし、それだけでは市場の本質を捉えられないと考えている。
市場は、完全合理的な投資家が作る静的な数理モデルではない。市場は、限定合理的な参加者が、記憶・予測・恐怖・期待・経験則・AI・制度・競争環境の中で適応し続ける 動的なシステム である。
だから、クオンツ戦略は固定的な正解ではない。それは、ある環境に適応した仮説である。
その仮説がどの条件で生き残り、どの条件で壊れるのかを検証し続けること。
それが、Adaptive Markets Hypothesisを実務に落とし込むクオンツトレーダーの姿勢だと、私は考えている。
読者に持ち帰ってほしい一文
- 市場の歪みは、人間が愚かだから生まれるのではない。人間が限られた条件の中で現実的に判断しているから生まれる。
- エッジは市場の永遠の法則ではない。ある環境に適応した参加者行動の副産物である。
- クオンツ戦略とは、過去に最も勝ったルールを信じることではない。そのルールがどの環境で壊れるかを知ることである。
- ヒューリスティックは悪ではない。しかし、環境が変われば、昨日の合理性は今日の損失になる。
- AIは市場を完全に合理化するとは限らない。同じAI・同じデータ・同じリスク管理が、新しい市場の歪みを生む可能性がある。
本記事はAndrew W. Lo教授「15.481 Financial Market Dynamics and Human Behavior」Unit 6（The Adaptive Markets Hypothesis: Human and Artificial Intelligence）の内容を、クオンツトレーダー向けに筆者の解釈で再構成したものである。