3
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

市場のαを探すための3つの問い ― そのαの裏で、誰が損をしているのか?

3
Last updated at Posted at 2026-11-15

構造的α_-_Slide_1.png


この記事で分かること

  • αの仮説を立てるための3つの問い:「誰が損をしているのか」「なぜ、まだ取られていないのか」「どこを探し、どう増やすか」
  • 損を引き受け続ける相手の4つの型と、相手がいても自分の取り分が残るとは限らない理由
  • そのまま使える「αの仮説シート」(8つの問い)

この記事は「確認されたαの一覧」ではありません。論文を調べて作った事例集から、αの仮説を立てる手がかりをまとめたものです。数値は論文の報告値で、多くは小型株を含む全米株の、論文の公表前の期間のものです。今も同じ大きさとは限りません。投資の助言ではありません。

記事の概要をまとめた300秒動画:https://youtu.be/aj3UUr1D3jE

はじめに:統計だけでは、確かめ終わる前に消える

αを探そうと思ったとき、まずデータを集めて、思いつく信号を片っ端から試したくなります。信号とは、「この株は上がりそうだ」という予測のもとになる数値のことです。けれども、ある信号が本物かどうかを統計だけで確かめるには、思った以上に時間がかかります。

例として、月次のIC(Information Coefficient)が0.01の信号を考えます。ICは、予測の順位と、実際のリターンの順位がどれだけそろったかを表す相関です。0.01は小さい値ですが、株の予測では珍しくありません。

この信号が偶然ではないと統計的に言えるまでに、約251か月、つまり約21年分のデータが要ります1。

その21年のあいだに、有名なαは消えていきます。

  • 採用効果:S&P 500への採用が発表された株は、組み入れの日に指数ファンドがまとめて買うことを見越して値上がりします。この値上がりは、1990年代には平均7.4%ありましたが、直近10年では1%未満になりました(Greenwood & Sammon 2025)。
  • 決算後ドリフト:決算発表のあとも、株価が同じ向きに動き続ける現象です。大型株では2006年以降見られないと報告されています(Martineau 2022)。
  • 論文で公表された予測変数:97個の予測変数のリターンは、公表後に平均58%下がりました。データの掘りすぎによる分(26%)を除いても、公表そのものによる低下は約32%と推定されています(McLean & Pontiff 2016)。

統計で確かめ終わる前に、αが消えてしまいます。だから、データを回す前に「なぜそのαがあるはずなのか」を言える仮説が要る、と考えています。

この記事では、その仮説の立て方を、私の勘ではなく論文の事例から考えます。αを報告した論文だけでなく、消えた論文や取り下げられた論文まで集めて事例集を作り、それを横に並べて共通点を探しました。

この記事の前提

  • 範囲:米国の大型株(S&P 500など)を中心に考えます。個人でも低い費用で売買できる一方、調べる人が最も多く、αが残る条件が最も厳しい市場だからです。
  • αとは:市場全体との差で見た超過リターン(費用を引く前)です。リスクを引き受けた報酬とは分けて考えます。
  • αの出どころ:一社に固有の癖ではなく、市場の構造的な仕組み(制度・制約・人の癖・情報を処理する手間)です。この仕組みのために、誰かが不利な取引を繰り返します。1銘柄ずつの予測としてはほとんど当たらず、条件に当てはまる多くの銘柄に広く賭けて、はじめて小さな優位が積み上がります。
  • ずれとは:株価が、本来の価値から一時的に離れていること(ミスプライシング)です。

そのαの裏で、誰が損をしているのか? ― 市場のαを探す3つの問い - slide 1.png

この記事の根拠:論文を調べて、事例集を作った

論文を1件ずつ、次の5項目のカードに整理しました。

  • 何が起きたか
  • なぜずれたか
  • 論文
  • 大型株への示唆
  • データ

全部で61件です。うまくいった例だけでなく、公表後に消えた例、確認できなかった例、取り下げられた論文のような注意の例も入れました。出典は、Webで書誌と要旨を照合したものと、まだ照合していないものを分けています。

事例は、ずれの中身で7つの型に分けました。

型 どんなずれか 代表的な事例
型1 つながりの遅れ 関係のある会社・国・商品の情報が、遅れて伝わる 複合企業の反応の遅れ:複数の事業を持つ会社の株価は、各事業の専業企業の株価に遅れて動く(Cohen & Lou 2012)
型2 読みにくい情報 長い書類や文章の奥の変化に、気づかれない 年次報告書(10-K2)の文面を前年から変えた会社は、その後のリターンが低い(Cohen, Malloy & Nguyen 2020)
型3 詳しい人の行動 役員や機関投資家の売買に、情報がある 複数の役員が、同じ時期に自社株を買う(Alldredge & Blank 2019)
型4 反応の遅れと行き過ぎ 人の癖で、反応が遅れたり行き過ぎたりする 少しずつ上がった株ほど、上昇が長続きする(Da, Gurun & Warachka 2014)
型5 理由のない売買 指数・配当・解約など、価値と関係のない売買が株価を押す 配当が予想される月の株は、配当目的の買いで高くなる(Hartzmark & Solomon 2013)
型6 すぐ利益にならない価値 無形資産や研究開発の価値が、株価に入るのに年単位かかる 無形資産も資産に数えて測った割安さ(Eisfeldt, Kim & Papanikolaou 2022)
型7(候補) ルールの変化 規制が変わり、新しいデータや行動が生まれる 役員の売買の届出に付いたチェック欄(2023年〜)、大量保有の届出の期限短縮(2024年〜)

ただ、事例を横に並べてみると、ずれの中身よりも大事なことがありました。「そのずれで、誰が損をしているのか」です。そこで本文は、損を引き受ける相手の話(問い①)から始めます。

問い①:そのαの裏で、誰が損をしているのか

αはゼロサム。だから、必ず相手がいる

市場全体との差で見ると、αはゼロサムです。市場は投資家全員の持ち分の合計なので、費用を引く前の全員の成績を平均すると、市場と同じになります(Sharpe 1991)。誰かがプラスのαを得たなら、その裏で、必ず誰かがマイナスのαを受け取っています。

この記事では、そのマイナスを受け取る人を「相手」、マイナスの分を、相手が払う「代金」と呼びます。

「指数ファンド(インデックスファンド)は市場そのものを持つのだから、相手にはならない」と思うかもしれません。でも、指数の銘柄の入れ替えや、新しい株の発行、自社株買いがあるたびに、指数ファンドも売買しなければなりません(Pedersen 2018)。そのとき、指数ファンドも相手になります。この点は以前の記事「アクティブ運用はパッシブに勝てない」は本当に数学的事実なのか?で詳しく書きました。https://qiita.com/tikeda123/items/48202e4523fae629ca0e

損をしている人は、損だと思っていない

少し意外なことに、αの裏で損をしている人の多くは、自分が損をしているとは思っていません。

  • 解約に応じるために株を売る投資信託は、「その日のうちに売れること」の代金を払っています。
  • 指数にぴったり連動するファンドは、「指数からずれないこと」の代金を払っています。
  • 配当を「使ってよい収入」とみなす投資家は、「元本に手を付けない安心」の代金を払っています。

どれも、本人にとっては納得のいく支払いです。だから学ばず、繰り返します。αの仮説を立てるとは、この「納得して払われている代金」を見つけることだと考えています。

そのαの裏で、誰が損をしているのか? ― 市場のαを探す3つの問い - slide 2.png

相手を書いてみると、案は3つに分かれる

αの案を思いついたら、まず「誰が代金を払っているのか」を書いてみます。すると、案は次の3つに分かれます。

相手を書いてみると 何である可能性が高いか 例
相手が書けない 偶然(データの掘りすぎ)の疑い 理由の付かないバックテストの好成績
相手が、承知で保険料を払っている リスクの報酬(αではない) 保険の売り3。急落したときの損を引き受ける代わりに、保険料を受け取る
相手が、制約・規則・癖・手間のために払っている αの候補 次の4つの型

2つ目は、儲かっていてもαではありません。暴落したときに大きく負けるリスクを引き受けた報酬だからです。リターンを「市場」「リスクの報酬」「α」に分けて見る考え方は、以前の記事「勝っている戦略に、本物のアルファはいくらあるのか?」で書きました。

代金を払い続ける相手の4つの型

事例集を横に並べると、代金を払い続ける相手は、おおむね4つの型に分かれました。

相手の型 なぜ不利な取引を繰り返すのか 払い続けるか 事例の型
急いでいる人
(今すぐ売買したい)
解約に応じる、指数の入れ替えに合わせる、配当を再投資する。決まった時に売買しなければならない。損は「時間の代金」 続く。制約なので変えられない 型5
規則で動く人
(目的が利益だけではない)
指数に連動する、配当を収入とみなす、倫理的な理由で特定の業種を避ける、ベンチマークとの差を嫌う、借り入れを使えない 続く。規則が変わるまで 型5・6・7
癖で動く人
(行動の偏り)
勝ち株を早く売る、過去の成長をそのまま延ばして考える、宝くじのような株を好む 続く。一人ひとりは学んでも、新しい人が入れ替わって繰り返す 型4
遅い人・読まない人
(情報を処理する手間)
担当業種の外を見ない、長い書類を読まない、海外を見ない 続くとは限らない。道具が広まると学ぶ 型1・2・3

「規則で動く人」の例を1つ挙げます。値動きの小さい株(低ベータ株)は、理論で期待されるより高いリターンを上げてきました。リスクが小さいのにリターンが高いので、リスクの報酬では説明できません。理由として挙げられているのは、規則や制約です。借り入れを使えない投資家は、高いリターンを求めて、値動きの大きい株を買いすぎます(Frazzini & Pedersen 2014)。ベンチマークとの差を嫌う運用者は、値動きの小さい株を持ちにくくなります(Baker, Bradley & Wurgler 2011)。

大型株ではどうでしょうか。調べる人が多いので、単純な見落としは起きにくいと考えています。一方で、大型株は事業が多く、海外の売上も多いので、情報を処理する難しさは、むしろ小型株より大きくなります。

そのαの裏で、誰が損をしているのか? ― 市場のαを探す3つの問い - slide 3.png

相手は、素人の個人だけではない

「損をする相手」と聞くと、素人の個人投資家を思い浮かべるかもしれません。けれども論文を見ると、相手はプロの中にもいます。

相手 分かったこと 出典
機関投資家 7つのアノマリー4のすべてで、割高の側の株を買い増していた。その株はその後マイナスのリターンで、この傾向は年とともに減っていない Edelen, Ince & Kadlec (2016)
指数ファンド 指数の入れ替えのたびに、S&P 500の指数ファンドは年0.21〜0.28%(下限の推定、1990〜2005年)を払っていた。採用効果が大きかった当時の値 Petajisto (2011)
投資信託の資金 成績を追って投資信託に入る資金はずれを広げ、ヘッジファンドに入る資金はずれを縮めていた Akbas, Armstrong, Sorescu & Subrahmanyam (2015)
配当を求める人 配当を「タダの収入」とみなす。配当株への需要が高まったあとは、1年の総リターンが2〜4%低い Hartzmark & Solomon (2019)
含み益を気にする人 含み益のある株を早く売るので、良い知らせが遅れて株価に入る Frazzini (2006)
個人 個人の売買は、アノマリーが示す向きと逆だった McLean, Pontiff & Reilly (2025)

相手が見えたら、確かめること

相手の顔が見えたら、次のことを順に確かめます。

  1. 誰が払っているか。 名前で言えるか。
  2. なぜ繰り返すのか。 なぜ学ばない、または変えられないのか。
  3. 差し引きでどれくらいの量か。 同じ時に逆向きに売買する人を引いても、まだ大きいか。
  4. 相手の行動は前もって分かるか。

3つ目の「差し引きの量」は、次の問い②で詳しく説明します。

相手が言えないなら、自分が相手かもしれない。

ポーカーには「卓を見回してカモが誰か分からなければ、カモは自分だ」という格言があります。αも同じです。月末の決まった時の売買や、公表済みで混み合った信号への便乗は、自分が「急いでいる人」や「遅い人」として、誰かに代金を払っている例です。

問い②:なぜ、まだ取られていないのか

指数ファンドは今も買っているのに、採用効果は消えた

相手が代金を払い続けているだけでは足りません。それを教えてくれるのが、S&P 500の採用効果です。

まず、採用効果の仕組みを確認します。S&P 500に連動するファンドは、採用が決まった株を、組み入れの日に必ず持っていなければなりません。株価に関係なく、決まった日に、決まった量を買う必要があります。

  1. S&Pが「A社を○日にS&P 500に採用する」と発表する(組み入れの日は、ふつう発表の数営業日後)。
  2. 発表を見た投資家が、先にA社の株を買う。
  3. 組み入れの日に、指数ファンドがまとめて買う。先に買った投資家は、そこで売る。

この「価値と関係のない、決まった買い」に押されて、株価が市場全体より上がります。これが採用効果です。問い①の言葉でいえば、指数ファンドは「規則で動く人」として、この値上がりの代金を払っています。採用効果は、1980年代から知られていました(Shleifer 1986、Harris & Gurel 1986)。

ここに逆説があります。S&P 500に連動する資産はこの数十年で大きく増え、指数ファンドは今も規則どおりに採用銘柄を買っています。買い手は、むしろ増えています。それでも、採用効果は1990年代の平均7.4%から、直近10年では1%未満に縮みました。代金を払う相手は今もいるのに、なぜ値上がりは消えたのでしょうか。

Greenwood & Sammon (2025) が主な理由として挙げるのは、次の2つです。

  • 買いが売りで相殺されるようになった。 新しく採用される銘柄は、中型株の指数からの昇格が多くなりました(1990年代の約半分から、最近は7割超)。S&P 500のファンドが買う一方で、中型株指数のファンドが同じ銘柄を売るので、差し引きの買いは小さくなりました。
  • 買いを引き受ける側が厚くなった。 指数の入れ替えを専門に扱う売買デスクなどが増えました。昇格の影響を除いても、同じ大きさの買いが株価を動かす度合いは、約20分の1に下がったと推定されています。

一方で、入れ替えを予想して先回りする売買の寄与は限定的、というのが著者の評価です。「有名になって先回りされたから消えた」という単純な話ではありませんでした。

つまり、代金を払う指数ファンドは今もいます。ただ、差し引きの買いが小さくなり、しかもそれを安く引き受ける人が増えたので、値上がりがほとんど残らなくなりました。

採用効果から引き出せる、2つの手がかり

ここから、仮説を立てるときの手がかりを2つ引き出せると考えています。

手がかり1:買う量そのものではなく、「差し引きの量」を見る

株価を押すのは、買いと売りを差し引いて余った分だけです。たとえば(数字は説明用)、S&P 500のファンドが100買っても、同じ日に中型株指数のファンドが70売れば、株価を押すのは差し引きの30だけです。この差し引きの量を、この記事では「正味の量」と呼びます。

指数ファンドの残高のような「買う量そのもの」は、誰にでも見えます。けれども、同じ日に逆向きに売る人まで数えて、正味の量を出している人は多くありません。仮説を立てるときは、同じ銘柄を同じ時に、逆向きに売買せざるを得ない人がいないかを探します。

手がかり2:払う人がいても、取りに来る人が多ければ、自分の取り分はない

代金を受け取りに来る人(専門の売買デスクなど)を、この記事では「取りに来る側」と呼びます。取りに来る側が増えると、代金は安くなり、後から来た人の取り分は残りません。採用効果で起きたのは、これでした。

αの仮説では、「誰が払っているか」に加えて、「その代金を、すでに誰が受け取りに来ているか」も確かめます。

そのαの裏で、誰が損をしているのか? ― 市場のαを探す3つの問い - slide 4.png

取られずに残る2つの理由

では、どんなαなら、取られずに残るのでしょうか。理由は2つに分けられます。

理由 中身 大型株ではどうか
プロの資金が消しに来ない理由
(ずれに気づいても、手を出しにくい)
・売買や空売りに費用がかかる
・その銘柄だけのリスクを負う
・ずれが直るまでの時間が長い
・成績が悪い期間に、運用者の評判が傷つく
費用や空売りの制約は弱い。時間の長さと評判の心配は、大型株でも効く
まだ使われていない理由
(そもそも気づかれていない)
・公表されていない
・データが新しい、高い、作るのに手間がかかる
・つなぎ合わせに業界の知識が要る
大型株でも同じように効く。ただし、AIで手間は下がる(後述)

大型株は、売買の費用が安く、空売りもしやすい市場です。そのため、1つ目の「プロの資金が消しに来ない理由」が弱くなります。だから大型株では、代金を払う相手が特に強いものか、新しいデータを使うものを探すことになる、と考えています。

例外は、直るまで長くかかるずれです。数年かけて直るずれは、途中で一時的に広がることもあります。預かったお金や借りたお金で裁定5をする人には、その期間を耐えにくいのです(Shleifer & Vishny 1990, 1997)。このようなずれは、大型株でも残りえます。

消えやすいもの、残りやすいもの

McLean & Pontiff (2016) は、裁定しやすい(費用の低い)予測変数ほど、公表後のリターンが低くなることも報告しています。事例集の消えた例と残った例を並べると、次のような違いが見えました。

消えやすい 残りやすい
数字で表せる 文章や注記の奥にある
標準のデータベースから計算できる 複数の資料をつなぎ合わせる必要がある
有名な論文になった 新しいデータ、高いデータを使う
売買の厚い銘柄で起きる 直るまでの時間が長い
日付も量も公表されている 日付は分かるが、正味の量は自分で組み立てないと分からない

消えた例から逆算する

消えた例や注意の例は、「次はどこを探すか」の手がかりになります。

事例 何が起きたか 逆算した手がかり
決算後ドリフト 大型株では2006年以降見られない(Martineau 2022)。近年、今もあるとする研究も出たが、超小型株を除くと有意でなくなるという反論がある(Subrahmanyam 2025) 決算の数字は決まった日に出て、機械がすぐ読む。探すなら、機械で読みにくい情報か、日付が決まっていない情報
S&P 500の採用 7.4%から1%未満に縮んだ(Greenwood & Sammon 2025) 相手が残っても、取り分は消える。正味の量と、取りに来る側の厚みを確かめる
発生高6 公表後に弱くなったと報告された(Green, Hand & Soliman 2011) 有名な会計の比率に、単独で頼らない
CFOの自社株の買い CEOの買いより情報が多いとされてきたが、SOX法7の後はその差が消えたと報告された(Knewtson & Nofsinger 2014) ルールの変化は、αを消すことも生むこともある
LLMによる財務分析 「GPT-4は利益の増減の方向をアナリストより当てる」とした作業論文があった。著者が再現の過程で不整合を見つけ、2025年2月に一時取り下げた(Kim, Muhn & Nikolaev) 新しい方法の結果ほど、自分で再現できるまで信じない

2つの軸でまとめる

問い①と問い②を合わせると、αの候補は2つの軸で整理できると考えています。縦の軸は「相手は代金を払い続けるか」(問い①)、横の軸は「取りに来る側から見えやすいか」(問い②)です。

取りに来る側から見えやすい 取りに来る側から見えにくい
相手は払い続ける 相手は残るが、取り分は薄い
例:S&P 500の採用
最も残りやすい
例:正味の量を自分で組み立てる必要のある需要、ルールの変化の直後
相手は学びうる すでに消えた
例:決算後ドリフト、発生高
道具が広まるまで残る
例:複合企業の反応の遅れ、見えにくいつながり

狙うのは右上です。右下は、今は残っていても、道具が広まるにつれて左下へ移っていくと考えています。

そのαの裏で、誰が損をしているのか? ― 市場のαを探す3つの問い - slide 5.png

問い③:どこを探し、どう増やすか

大型株でαが眠りやすい5つの場所

2つの軸の右側、つまり「見えにくい」側にあたる場所を、事例集から5つ選びました。

場所 事例と、論文の報告値 代金を払う相手 見えにくい理由
複雑さ ・複合企業の反応の遅れ(Cohen & Lou 2012):時価加重で月0.95%(t値3.18、1977〜2009年、費用前)
・多国籍企業(Huang 2015):月約0.8%
・10-Kの長さ(You & Zhang 2009)
複合企業を、主な業種だけで見るアナリスト・運用者 事業ごとに業種を対応づける手間がかかる
見えにくいつながり ・業種コード8は違うが、事業の説明文が似ている会社(Hoberg & Phillips 2018):業種コードの違う仲間の方が強い
・本社が同じ都市の会社(Parsons, Sabbatucci & Titman 2020):年5〜6%
業種の分類で仲間を決める運用者・アナリスト 業種の分類に現れない
予定された需要 ・配当月(Hartzmark & Solomon 2013):配当が予想される月の株は、他の株より月0.4〜0.5%ほど高い(比べる相手で変わる)
・配当の支払いが多い日(Hartzmark & Solomon 2025)
配当を求める投資家 弱い。論文が有名で、標準のデータから作れる。正味の量の推定に、工夫の余地がある
ルールの変化 ・10b5-1のチェック欄(2023年4月〜)
・13Dの期限短縮(2024年2月〜)
・サイバー事故の8-K(2023年12月〜)
・人的資本の開示(2020年11月〜)
研究がまだ少ない
変化に気づかない人、新しい開示を読まない人 新しく、過去のデータが短い
時間のかかる無形の価値 ・無形資産も数えて測った割安さ(Eisfeldt, Kim & Papanikolaou 2022):簿価だけで測る割安より高いリターン
・研究開発の効率(Hirshleifer, Hsu & Li 2013)
簿価で割安を決める指数・ファンド 株価に入るまで年単位かかる

表の数値は論文の報告値です。冒頭に書いたとおり、今も同じ大きさとは限りません。

「ルールの変化」に出てくる用語を補足します。

  • 10b5-1:役員などが、前もって決めた計画に沿って自社株を売買する制度。2023年から、役員の売買の届出に「計画に沿った売買か」のチェック欄が付きました。
  • 13D:ある会社の株を5%を超えて持った人が出す届出。提出の期限が短くなりました。
  • 8-K:重要な出来事が起きたときに出す臨時の報告書。重大なサイバー事故も、報告の対象になりました。

日本でも、四半期報告書の廃止やTOPIXの見直しなど、ルールの変化は続いています。この記事の事例集は米国株が中心ですが、「ルールが変わると、新しいデータと新しい行動が生まれる」という見方は、日本株にも当てはめられると考えています。

「1つだけ入れ替える」で仮説を増やす

既存の事例から新しい仮説を作るには、事例の要素を1つだけ入れ替えてみるのが手軽です。

入れ替え方 例(元 → 入れ替え後)
つながりの種類を変える 顧客とのつながり → 文章の似た会社 → 本社が同じ都市 → 売上のある海外の国
見えるものを、見えにくいものに変える 同じ業種の仲間 → 業種の違う仲間(Hoberg & Phillips 2018)
文書の中の場所を変える 年次報告書の全体の変化 → リスク要因・役員・訴訟の節ごとの変化(Cohen, Malloy & Nguyen 2020)
水準を、変化に変える 株を持つ機関投資家の数 → その数の変化
前と後を比べる ルールが変わる前 → 変わった後

ほかにも、データを変える(有料のニュース → 8-Kの本文)、人を変える(役員全体 → CFO)、時間を変える(翌月 → 数か月先)といった入れ替え方があります。

入れ替えるときの目安を1つ挙げます。同じ業種の会社がそろって同じ値になる信号は、業種ごとの差をならすと消えてしまいます。業種をまたぐつながりを使った信号は、ならしても残りやすいと考えています。

入れ替えは、試行の数を増やします。

入れ替えて試した数だけ、多重検定9の試行に数えてください。試すのは、問い①(誰が払っているか)と問い②(なぜまだ取られていないか)を書けた案だけにします。そうしないと、入れ替えは「仮説を作る道具」ではなく「偶然を掘り当てる道具」になってしまいます。

AIは、この地図をどう変えるか

2つの軸の図で考えると、AIは、いくつかの場所を「見えにくい」側から「見えやすい」側へ動かすと考えています。影響は、相手の型によって違います。

「遅い人・読まない人」を相手にするαは、縮みやすい。 長い書類を読む手間は、LLMで大きく下がりました。「読まない人」がいたから残っていたずれは、取りに来る側から見えやすくなります。

私の手元の試行でも、これと整合する結果が出ています。10-Kの文面の変化を使った信号は、検証期間の前半ではICが+0.018でしたが、後半では−0.003でした。ただし1つの試行なので、AIが原因だとまでは言えません。役員の売買を使った信号も試しましたが、すでに使っている信号に加えたときのICの上乗せは、+0.0012にとどまりました。

「まだ使われていない理由」も、手間の部分は崩れる。 作るのに手間がかかるデータも、LLMで手間が下がります。どの理由が最後まで残るのかは、まだ分かりません。

規則や制約で動く相手は、AIでは消えない。 指数に連動するファンドは、AIが広まっても指数に連動し続けます。ただし、その需要は取りに来る側からも見えやすくなる、と考えています。

AIの使い方:向くことと、注意すること

使い方 向き・不向き 理由
事実の抽出(顧客の名前、事業部門ごとの売上の割合、新しく書かれたリスクの種類) 向く 書類の中にある事実なので、正しいかを確かめられる
文書の比較(前年から何が増えたか) 向く 同上
良い・悪いの判定、将来の予測 注意 学習データに将来の情報が入っているおそれ(先読み)と、会社名を見ると判断が引っぱられるおそれがある。大きな会社ほど強い(Glasserman & Lin 2023)

対策として、次のことを勧めます。

  • 会社名・ティッカー・日付を伏せて読ませる。
  • 抽出の誤りの率を、人が抜き取りで確かめる。
  • 結果が良すぎるときは、取り下げられた論文の例を思い出し、まず自分で再現する。

そのαの裏で、誰が損をしているのか? ― 市場のαを探す3つの問い - slide 6.png

仮説を立てた後:本物なら、どう見えるか

仮説を立てても、すぐには確かめられません。そこで、リターンの大きさだけでなく、「本物なら、こう見えるはず」という形を確かめます。ずれの種類によって、その形は違います。

  • 情報の遅れ型:情報が株価に入るのが遅れている(型1〜4、型6)。
  • 需要の圧力型:価値と関係のない売買が、株価を押している(型5)。
確かめること 情報の遅れ型なら 需要の圧力型なら 根拠
どの日に集中するか 決算やニュースの日に多い 需要が出る日(配当の前、入れ替えの日)に多い 97個の予測変数のリターンは、決算発表の日に6倍大きい(Engelberg, McLean & Pontiff 2018)
後で戻るか 戻らない 戻る Da, Gurun & Warachka (2014)、Hartzmark & Solomon (2013)
次の利益を予測するか 同じ向きに予測する 予測しない Cohen, Malloy & Nguyen (2020)、CFOの買い
どこで強いか 注目の低い銘柄、複雑な銘柄で強い 需要の量が大きい所、売買の薄い所で強い Cohen & Lou (2012)、Hoberg & Phillips (2018)、You & Zhang (2009)/Hartzmark & Solomon (2013)
時期で消えないか 前半と後半、公表の前と後で、符号がそろう 同左 自分の試行(後半で消えた)
すでにある信号と別か モメンタム(勢い)やバリュー(割安)との相関が低い 同左 Da, Gurun & Warachka (2014)

「需要の圧力型」の列は、論文の結果に、事例集から読み取った私の解釈を加えています。

検出力の壁は、束ねても越えにくい

冒頭の計算に戻ります。月次のICが0.01の信号1本を確かめるには、約21年が要りました。多くの信号を試したことを考えて基準を厳しくすると(t値 2.64以上10)、約32年になります。

信号を何本か束ねれば強くなりますが、上限があります。1本ずつのICが同じなら、束の効果はおよそ次の倍率です(kは本数、ρは信号どうしの平均の相関)。

\sqrt{\frac{k}{1+(k-1)\rho}}

本数を増やし続けても、倍率は $1/\sqrt{\rho}$ で頭打ちになります。ρ = 0.3 なら、何本束ねても約1.8倍です。似た信号をいくら並べても、強くはなりません。

この話は長くなるので、続編「IC 0.01を確かめるのに、何年かかるのか」で詳しく書く予定です。

そのαの裏で、誰が損をしているのか? ― 市場のαを探す3つの問い - slide 7.png

まとめ:αの仮説シート

3つの問いを、そのまま使える8つの問いにまとめました。

# 問い 書くこと 対応
1 仮説を一文で書く 何が、何に遅れて伝わるか。または、何に押されるか 問い③
2 誰が払っているのか 名前で言えるか。4つの型のどれか。書けなければ偶然を疑う 問い①
3 なぜ払い続けるのか 何の代金として払っているか(時間・規則・癖・手間)。承知の保険料なら、リスクの報酬 問い①
4 正味の量はどれくらいか 逆向きの売買を差し引いた量はどれくらいか。相手の行動は前もって分かるか 問い①②
5 なぜプロの資金が消しに来ないのか 費用・空売り、その銘柄だけのリスク、直るまでの時間、評判の心配 問い②
6 なぜまだ使われていないのか データが新しい・高い・作るのに手間がかかる、業界の知識が要る。誰がもう取りに来ているか 問い②
7 本物ならどう見えるか 情報の遅れ型か、需要の圧力型か。どの日に集中し、後で戻るか 本物なら
8 いつ捨てるか 確かめるのに何年要るか。何が起きたら、この仮説を捨てるか 本物なら

3つの例で、シートを埋めてみます。通る例、欄が弱い例、落ちる例です。

問い 複合企業の反応の遅れ
(Cohen & Lou 2012)
配当月
(Hartzmark & Solomon 2013)
S&P 500の採用
1. 仮説 複合企業の株価は、各事業の専業企業の株価に遅れて動く 配当が予想される月の株は、配当目的の買いで高くなる 採用が発表された株は、指数ファンドの買いで上がる
2. 誰が払うか 複合企業を、主な業種だけで見るアナリスト・運用者(遅い人) 配当を「タダの収入」とみなし、配当の前に買う投資家(規則で動く人) 指数に連動するファンド(規則で動く人)
3. なぜ払い続けるか 担当業種の外を見るのに手間がかかる。学びうる 目的が利益だけではない。学ばない 連動が目的。変えられない
4. 正味の量 前もっては分からない 予定月は、過去の支払いの周期から分かる。量は推定が要る 発表で銘柄も日付も分かる。中型株指数からの昇格では売りと買いが相殺され、正味は小さい
5. プロの資金が消しに来ない理由 2銘柄を同時に売買し、業種のリスクを負う必要がある はっきりしない 弱い。買いを引き受ける側が厚くなった
6. まだ使われていない理由 事業と業種の対応づけに手間がかかる 弱い。標準のデータから作れ、論文も有名 ない。公表された情報
7. 本物なら 次の決算の驚きも同じ向き。後で戻らない 配当の後に戻る ―
論文の報告値 時価加重で月0.95%(t値3.18、1977〜2009年、費用前) 月0.4〜0.5%ほど 1990年代7.4% → 直近10年1%未満
判定 候補。ただし、AIで手間が下がると縮むかもしれない 保留。相手は強いが、5と6の欄が弱い。公表後も残っているかを確かめてから使う 落ちる。相手は残っているが、取り分は残っていない

相手が払い続けるだけでは足りません。「なぜ、まだ取られていないか」の欄(5と6)まで埋まって、はじめて候補になります。

そのαの裏で、誰が損をしているのか? ― 市場のαを探す3つの問い - slide 8.png

おわりに:αは「当てる」ものではなく、「相手と構造を探す」もの

αは、データの中から当てるものではないと考えています。「誰が、なぜ払い続けているのか」という相手と、「なぜ、まだ取られていないのか」という構造を探すものです。

ただし、仮説は確認ではありません。この記事の数値は論文が報告した過去の値で、多くは小型株を含みます。仮説を立てたら、すぐに結論を出さず、前向きに確かめる時間を味方につけるつもりです。

この見方は、株に限らないと考えています。たとえばFXにも、決まった時刻の値決めに合わせて売買する企業や運用者のように、「急いでいる人」や「規則で動く人」がいます(この記事の事例集の範囲外で、まだ確かめていません)。

最後に、もう一度。相手が言えないなら、自分が相手かもしれません。

本記事の数値は論文の報告値であり、将来のリターンを示すものではありません。投資の助言ではありません。

参考文献

αの消失と、公表の影響

  • Greenwood, R. & Sammon, M. (2025). The Disappearing Index Effect. Journal of Finance, 80(2), 657–698.
  • Shleifer, A. (1986). Do Demand Curves for Stocks Slope Down? Journal of Finance, 41(3).
  • Harris, L. & Gurel, E. (1986). Price and Volume Effects Associated with Changes in the S&P 500 List: New Evidence for the Existence of Price Pressures. Journal of Finance, 41(4).
  • Martineau, C. (2022). Rest in Peace Post-Earnings Announcement Drift. Critical Finance Review, 11(3-4), 613–646.
  • Subrahmanyam, A. (2025). Keeping it Simple: How Can Post-Earnings Return Drift Exist and Not Exist Simultaneously? SSRN Working Paper.
  • McLean, R. D. & Pontiff, J. (2016). Does Academic Research Destroy Stock Return Predictability? Journal of Finance, 71(1), 5–32.
  • Green, J., Hand, J. R. M. & Soliman, M. T. (2011). Going, Going, Gone? The Apparent Demise of the Accruals Anomaly. Management Science, 57(5).
  • Knewtson, H. S. & Nofsinger, J. R. (2014). Managerial Finance.
  • Wang, W., Shin, Y.-C. & Francis, B. B. (2012). Journal of Financial and Quantitative Analysis, 47(4).

相手と、裁定の限界

  • Sharpe, W. F. (1991). The Arithmetic of Active Management. Financial Analysts Journal, 47(1).
  • Pedersen, L. H. (2018). Sharpening the Arithmetic of Active Management. Financial Analysts Journal, 74(1), 21–36.
  • Shleifer, A. & Vishny, R. W. (1990). Equilibrium Short Horizons of Investors and Firms. American Economic Review, 80(2).
  • Shleifer, A. & Vishny, R. W. (1997). The Limits of Arbitrage. Journal of Finance, 52(1).
  • Edelen, R. M., Ince, O. S. & Kadlec, G. B. (2016). Institutional Investors and Stock Return Anomalies. Journal of Financial Economics, 119(3).
  • Petajisto, A. (2011). The Index Premium and Its Hidden Cost for Index Funds. Journal of Empirical Finance, 18.
  • Akbas, F., Armstrong, W. J., Sorescu, S. & Subrahmanyam, A. (2015). Smart Money, Dumb Money, and Capital Market Anomalies. Journal of Financial Economics, 118(2).
  • Hartzmark, S. M. & Solomon, D. H. (2019). The Dividend Disconnect. Journal of Finance, 74(5).
  • Frazzini, A. (2006). The Disposition Effect and Underreaction to News. Journal of Finance, 61(4).
  • McLean, R. D., Pontiff, J. & Reilly, C. (2025). Taking Sides on Return Predictability. Journal of Financial Economics, 173.
  • Frazzini, A. & Pedersen, L. H. (2014). Betting Against Beta. Journal of Financial Economics, 111(1).
  • Baker, M., Bradley, B. & Wurgler, J. (2011). Benchmarks as Limits to Arbitrage: Understanding the Low-Volatility Anomaly. Financial Analysts Journal, 67(1).

αが眠りやすい場所

  • Cohen, L. & Lou, D. (2012). Complicated Firms. Journal of Financial Economics, 104(2).
  • Huang, X. (2015). Thinking Outside the Borders: Investors' Underreaction to Foreign Operations Information. Review of Financial Studies, 28(11).
  • You, H. & Zhang, X. (2009). Financial Reporting Complexity and Investor Underreaction to 10-K Information. Review of Accounting Studies, 14(4).
  • Hoberg, G. & Phillips, G. (2018). Text-Based Industry Momentum. Journal of Financial and Quantitative Analysis, 53(6).
  • Parsons, C. A., Sabbatucci, R. & Titman, S. (2020). Geographic Lead-Lag Effects. Review of Financial Studies, 33(10).
  • Cohen, L., Malloy, C. & Nguyen, Q. (2020). Lazy Prices. Journal of Finance.
  • Alldredge, D. M. & Blank, B. (2019). Journal of Financial Research, 42(2).
  • Da, Z., Gurun, U. G. & Warachka, M. (2014). Frog in the Pan: Continuous Information and Momentum. Review of Financial Studies, 27(7).
  • Hartzmark, S. M. & Solomon, D. H. (2013). The Dividend Month Premium. Journal of Financial Economics, 109(3), 640–660.
  • Hartzmark, S. M. & Solomon, D. H. (2025). Market-Wide Predictable Price Pressure. American Economic Review, 115(9).
  • Eisfeldt, A. L., Kim, E. & Papanikolaou, D. (2022). Intangible Value. Critical Finance Review, 11(2).
  • Hirshleifer, D., Hsu, P.-H. & Li, D. (2013). Innovative Efficiency and Stock Returns. Journal of Financial Economics, 107(3).

本物かの診断と、AI

  • Engelberg, J., McLean, R. D. & Pontiff, J. (2018). Anomalies and News. Journal of Finance, 73(5).
  • Glasserman, P. & Lin, C. (2023). Assessing Look-Ahead Bias in Stock Return Predictions Generated by GPT Sentiment Analysis. arXiv:2309.17322.
  • Kim, A., Muhn, M. & Nikolaev, V. Financial Statement Analysis with Large Language Models. arXiv:2407.17866(2025年2月に著者が一時取り下げ).

関連記事

  • 【アクティブ運用はパッシブに勝てない」は本当に数学的事実なのか?(記事タイトル)】
  • 勝っている戦略に、本物のアルファはいくらあるのか? ― リターンの3階建て分解が暴く、投資戦略の本当の実力
  • 【AIが作った戦略をどこまで検証すべきか(記事タイトル)】
  • 【バックテストの過学習(PBO)の記事タイトル】
  • 【PSR・DSR・MinTRLの記事タイトル】
  • なぜNumeraiは、予測精度の高いモデルを集めるだけでなく、他のモデルと異なる予測を積極的に求めるのか?(【URL】)
  1. 月ごとのICのばらつき(標準偏差)を0.0565と仮定し(私の手元の検証で記録した値)、t値が1.96を超える確率が80%になる月数を計算した。 ↩

  2. 米国の上場企業が毎年出す年次報告書。事業の内容やリスク要因が、長い文章で書かれている。 ↩

  3. オプションを売る戦略など。ふだんは少しずつ稼ぎ、急落したときにまとめて損をする。ボラティリティ・プレミアムとも呼ばれる。 ↩

  4. 理論では説明しにくい、リターンの規則的な偏り。 ↩

  5. 割高なものを売り、割安なものを買って、ずれが直るときの差を取る取引。 ↩

  6. 会計上の利益のうち、現金の出入りを伴わない部分。多い会社ほど、その後のリターンが低いとされてきた。 ↩

  7. 2002年に米国で成立した、企業の会計と開示を厳しくする法律。 ↩

  8. SIC(標準産業分類)。米国で会社の業種を表すコード。 ↩

  9. 多くの信号を試すほど、偶然に良い結果が出る信号が混ざってしまう問題。 ↩

  10. 6本の信号を試したときに、偶然の合格を全体で5%に抑える基準(ボンフェローニ補正)。 ↩

3
0
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
3
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?