クオンツトレード入門者のための確率過程――価格予測ではなく、分布・リスク・エッジを見るために

はじめに

クオンツトレードというと、多くの人は「AIや統計モデルで価格を予測すること」をイメージするかもしれません。

もちろん、予測モデルはクオンツトレードの重要な要素です。

しかし、クオンツトレーダーにとって最初に重要なのは、未来の価格を正確に当てることではありません。

それよりも先に必要なのは、金融市場を 「ランダムに揺れる時系列」 として理解することです。

価格は、一本のきれいな線として未来に伸びていくものではありません。実際の市場価格は、ニュース、金利、需給、投資家心理、流動性、アルゴリズム取引、突発的なイベントなどの影響を受けながら、不確実に変化します。

このような、時間とともに変化するランダムな現象を扱う考え方が 確率過程 です。

本記事では、特に裁量トレードからクオンツ的な考え方へ進みたい人、あるいはこれからクオンツトレードを学び始める人に向けて、確率過程の基本的な考え方を整理します。

目的は、難しい数学理論を厳密に理解することではありません。本当に伝えたいことは、次の一点です。

確率過程は、未来価格を正確に予測するための魔法ではない。
金融市場を不確実性を持つ時系列として理解し、リスクとエッジを判断するための土台である。

なお、本シリーズは2回構成です。

• 第1回（本記事）：確率過程の理論的な考え方を説明します
• 第2回：実際のUSDJPYの時系列データを使って、価格・リターン・分布・ボラティリティ・ファットテールを観察します

---

1. なぜ価格を「線」として見ると誤解するのか

多くの投資家は、チャートを一本の線として見ます。そして、次のように考えます。

• 上がっているから、次も上がるのではないか
• 下がりすぎたから、そろそろ戻るのではないか
• 過去と同じ形だから、次も同じ動きをするのではないか
• きれいなトレンドラインが引けるから、今後もその線に沿って動くのではないか

この見方は、まったく無意味ではありません。実際、市場にはトレンドが出る局面もありますし、平均回帰しやすい局面もあります。

しかし、価格を「未来に向かって伸びる一本の線」として見すぎると、重要な点を見落とします。

それは、未来の価格は一つに決まっていない、ということです。

現在の価格が同じでも、未来の価格はさまざまな経路を取り得ます。強い上昇に向かうこともあれば、横ばいになることも、急落することもあります。大きく上下に振れた後、結局元の水準に戻ることもあります。

つまり、市場の未来は一本の線ではなく、複数の可能性を持った 確率的な広がり として考えるべきです。

この視点を持つと、チャートの見方が変わります。単に「次に上がるか、下がるか」を考えるのではなく、次のような問いが重要になります。

• どのくらいの幅で揺れそうか
• どの程度の損失が起こり得るか
• 極端な値動きはどれくらいの頻度で起こるか
• 現在の値動きは偶然なのか、それとも統計的な歪みなのか
• その歪みは取引コストを払っても利益として残るのか

これが、クオンツトレーダーが市場を見るときの基本姿勢です。

---

2. 確率過程とは何か

図：決定論的な見方（現在が決まれば未来も一本に決まる）に対し、確率過程では未来は複数の可能性を持つ経路として広がる。実際に観測される時系列は、その無数の経路のうちの1本に過ぎない。

確率過程とは、簡単に言えば、時間とともに変化するランダムな値の列 です。数式で書くと、次のように表せます。

$$
X_t
$$

ここで、$t$ は時間を表します。金融市場であれば、たとえば次のように考えます。

$$
X_t = \text{時刻} t \text{のUSDJPY価格}
$$

このとき、$X_t$ は時刻ごとに変化します。1分ごと、1時間ごと、4時間ごと、1日ごとに価格は変わります。

重要なのは、その変化が完全に決定されているわけではないという点です。

もし価格が完全に決定論的に動くなら、未来価格は一意に計算できるはずです。しかし、実際の市場ではそうなりません。同じようなチャート形状に見えても、その後の値動きは毎回異なります。同じ経済指標でも、市場のポジション、期待値、金利環境、流動性によって反応は変わります。

つまり、金融市場の価格は、決定論的な関数ではなく、不確実性を持って変化する時系列 です。

このような対象を扱うための基本的な考え方が、確率過程です。確率過程は、時系列データを確率的に記述するための枠組みです。

クオンツトレードでは、価格系列やリターン系列を単なる過去データとして見るのではなく、ある確率過程から生成された観測値として扱います。そのため、自己相関、分散、分布のテール、レジーム変化、ボラティリティの持続性などを調べることが重要になります。

---

3. マルコフ性と定常性の直感

確率過程を理解するうえで、最初に知っておくとよい考え方が2つあります。それが、マルコフ性 と 定常性 です。

厳密な数学定義に踏み込む必要はありません。ここでは、クオンツトレードで使うための直感だけ押さえれば十分です。

図：マルコフ性（次の状態は現在の状態にのみ依存）と定常性（価格は非定常・リターンは相対的に扱いやすい）の直感的なイメージ。ただし金融リターンも完全な定常性は期待しにくい点に注意。

マルコフ性とは何か

マルコフ性とは、簡単に言うと、次の状態が、過去のすべての履歴ではなく、現在の状態に依存して決まる という考え方です。

イメージとしては、次のようなものです。

$$
\text{未来} = \text{現在の状態} + \text{ランダムな変化}
$$

過去のすべての経路を覚えていなくても、現在の価格や状態が分かれば、次の状態を確率的に考えることができる、という考え方です。

金融市場では、この仮定が完全に成り立つわけではありません。過去の高値・安値、ポジションの偏り、注文の集中、イベント履歴などが影響することもあります。

しかし、モデル化の出発点として、マルコフ性は非常に重要です。なぜなら、市場を分析するときに、すべての過去を無限に考慮することはできないからです。そのため、クオンツでは、現在の状態を特徴量として整理し、そこから未来の分布を推定しようとします。

定常性とは何か

もう一つ重要なのが、定常性です。

定常性とは、ざっくり言えば、平均や分散などの統計的性質が時間を通じて大きく変わらない という性質です。

金融時系列で重要なのは、次の違いです。

価格そのものは非定常になりやすい。一方で、リターンは価格よりも定常的に扱いやすい。

たとえば、USDJPYの価格水準は、100円台の時期もあれば、150円台の時期もあります。価格の平均水準は時間とともに変わります。そのため、価格そのものをそのまま統計分析すると、長期トレンドや水準変化の影響を強く受けます。

一方で、リターンに変換すると、「前の時点から何%変化したか」を見ることになります。これにより、価格水準の違いをある程度取り除き、値動きの性質を比較しやすくなります。

このため、クオンツ分析では価格そのものではなく、リターンを分析することが多くなります。

ただし、リターンにすれば完全に定常になる、という意味ではありません。金融リターンも、ボラティリティ・クラスタリング、レジーム変化、金利環境の変化、市場参加者の構造変化、流動性の変化、政策イベント前後の分布変化などによって、分散やテールの厚さが時間とともに変化します。

したがって、より正確には次のように理解するのがよいです。

価格そのものは非定常になりやすい。リターンは価格水準の影響を取り除けるため、価格そのものよりは定常的な系列として扱いやすい。ただし、金融リターンも完全に定常とは限らない。

---

4. ランダムウォークとホワイトノイズ

確率過程を理解するうえで、最も基本的なモデルが ランダムウォーク です。

最も単純なランダムウォークは、次のように表されます。

$$
X_{t+1} = X_t + \varepsilon_{t+1}
$$

これは、次の意味です。

次の状態 = 今の状態 + ランダムな変動

ここで、$\varepsilon_{t+1}$ はランダムなショックです。

ただし、金融で考えるときには注意が必要です。この $X_t$ は、必ずしも価格そのものとは限りません。株価や為替レートのような価格 $P_t$ にこの式をそのまま当てはめると、理論上は価格がマイナスになる可能性があります。

そのため金融では、価格 $P_t$ そのものよりも、対数価格 $\log P_t$ がランダムウォークに近いと考えることがあります。その場合、次のように表せます。

$$
\log P_{t+1} = \log P_t + r_{t+1}
$$

ここで $r_{t+1}$ は対数リターンです。つまり、対数価格に対して、対数リターンというランダムなショックが加わる形になります。

この考え方は、後で説明する「なぜ対数リターンを使うのか」と直接つながります。

ホワイトノイズとは何か

ランダムウォークのショック項 $\varepsilon_t$ は、しばしば ホワイトノイズ として扱われます。

ホワイトノイズとは、一般に次の性質を持つランダムな系列です。

• 平均が0である
• 分散が一定である
• 時点間の自己相関を持たない

ここで注意したいのは、ホワイトノイズであることと、独立同分布であることは同じではないという点です。

より強い仮定として、各時点のショックが互いに独立で、同じ分布に従うと仮定することがあります。これを i.i.d.（独立同分布、independent and identically distributed） と呼びます。

さらに単純化したモデルでは、次のように正規分布に従う i.i.d. ノイズとして扱うことがあります。

$$
\varepsilon_t \sim \mathcal{N}(0, \sigma^2)
$$

これは、$\varepsilon_t$ が平均0、分散 $\sigma^2$ の正規分布に従う、という意味です。

関係を整理すると、次のようになります。

$$
\text{正規 i.i.d. ノイズ} \subset \text{i.i.d. ノイズ} \subset \text{ホワイトノイズ}
$$

つまり、正規 i.i.d. ノイズはホワイトノイズの一種ですが、ホワイトノイズだからといって必ず正規分布に従うわけでも、必ず独立であるわけでもありません。実際の金融リターンでは、正規性や独立性はしばしば破れます。

このモデルは非常に単純ですが、金融市場を理解するうえでは重要な出発点になります。なぜなら、短期的な価格変動の多くは、実際にかなりノイズに近く見えるからです。

まずランダムウォークを基準として理解することで、そこから外れる部分――トレンド、平均回帰、ボラティリティ変化、ジャンプ、ファットテールなど――を分析できるようになります。

---

5. ブラウン運動と幾何ブラウン運動

ランダムウォークは、離散時間のモデルです。つまり、1分足、1時間足、日足のように、時間を区切って考えます。

一方で、金融工学では、時間を連続的に扱うことがあります。そのときに登場するのが ブラウン運動（または ウィーナー過程）です。

ブラウン運動は、ランダムウォークを連続時間に拡張したものと考えると分かりやすいです。直感的には、非常に細かいランダムな揺れが連続的に積み重なったものです。

金融では、このブラウン運動を使って価格変動をモデル化します。特に有名なのが 幾何ブラウン運動 です。

幾何ブラウン運動は、株価や為替レートのように、価格がマイナスにならない資産価格を表現するためによく使われます。直感的には、次のような考え方です。

価格そのものがランダムに足し引きされるのではなく、価格の変化率がランダムに変化する。

幾何ブラウン運動は、代表的には次のように表されます。

$$
dS_t = \mu S_t , dt + \sigma S_t , dW_t
$$

ここで、$S_t$ は価格、$\mu$ はドリフト、$\sigma$ はボラティリティ、$W_t$ はブラウン運動です。

この式の重要な点は、価格変動が価格水準 $S_t$ に比例していることです。

このモデルでは、対数価格の変化が扱いやすい形になります。伊藤の補題を用いると、次のように表せます。

$$
d \log S_t = \left(\mu - \frac{1}{2}\sigma^2\right)dt + \sigma , dW_t
$$

入門段階では結論だけ押さえれば十分です。

幾何ブラウン運動では、価格そのものよりも、対数価格・対数リターンを見ることが自然になる。

この考え方は、金融市場では自然です。たとえば、USDJPYが100円から1円動くのと、150円から1円動くのでは、同じ1円でも変化率は異なります。投資では、価格の絶対変化よりも、何%変化したかが重要です。そのため、価格そのものよりも、リターンや対数リターンを見ることが多くなります。

クオンツトレード入門者が最初に押さえるべき直感は、次です。

金融市場では、価格そのものよりも、価格の変化率やリターンを確率的に扱うことが重要である。

---

6. なぜ対数リターンを使うのか

クオンツ分析では、価格そのものではなく、リターンを分析することが多いです。特に、よく使われるのが 対数リターン です。

対数リターンは、次のように定義されます。

$$
r_t = \log(P_t) - \log(P_{t-1})
$$

ここで、$P_t$ は時刻 $t$ の価格です。では、なぜ対数リターンを使うのでしょうか。

理由1：価格は非定常になりやすい

価格そのものは、時間とともに水準が大きく変わります。USDJPYでも、100円台の時期、120円台の時期、150円台の時期があります。このような価格水準をそのまま分析すると、現在の水準や長期トレンドの影響を強く受けます。

一方で、リターンに変換すると、「前の時点からどれだけ変化したか」を見ることになります。これにより、価格水準の違いをある程度取り除くことができます。

理由2：対数リターンは時間方向に足せる

対数リターンには便利な性質があります。それは、複数期間のリターンを足し合わせやすいことです。

$$
r_{1 \to 3} = r_1 + r_2 + r_3
$$

1期間目、2期間目、3期間目の対数リターンを足すと、3期間全体の対数リターンになります。これは、時系列分析やバックテストで非常に便利です。

理由3：幾何ブラウン運動と相性がよい

金融市場では、価格そのものよりも、価格の変化率を確率的に考える方が自然です。幾何ブラウン運動では、対数価格の変化が扱いやすい形になります。そのため、対数リターンは金融時系列分析の基本的な道具になります。

対数リターンは単なる計算上のテクニックではありません。対数リターンを見ることは、価格を「水準」ではなく「変化」として見ることです。そして、クオンツトレードでは、この変化の分布、ボラティリティ、自己相関、ファットテールを分析します。

---

7. 確率分布の基礎

確率過程を理解するうえで、確率分布の理解は欠かせません。なぜなら、クオンツトレーダーは未来価格を一点で当てるのではなく、リターンがどのように分布しているかを見るからです。

確率密度関数とは何か

確率分布とは、ある値がどの程度起こりやすいかを表したものです。連続的な値を扱う場合、その分布を表す関数を 確率密度関数（PDF: Probability Density Function） と呼びます。

金融でいえば、リターンが次のような性質を持つかを見るものです。

• 0%付近に集まりやすいのか
• 大きなプラスやマイナスがどれくらい起こるのか
• 左右どちらに偏っているのか
• 極端な値動きがどれくらい多いのか

つまり、リターン分布を見ることは、価格変動の性質を見ることです。

正規分布とは何か

確率分布の基本として、まず正規分布があります。正規分布は、平均を中心に左右対称に広がる釣鐘型の分布です。

正規分布では、平均と標準偏差が重要です。有名な経験則として、正規分布では次の関係があります。

範囲	確率
$\mu \pm 1\sigma$	約68%
$\mu \pm 2\sigma$	約95%
$\mu \pm 3\sigma$	約99.7%

これを、68-95-99.7ルールと呼びます。

ただし、金融市場では注意が必要です。実際の金融リターンは、正規分布よりも極端な値動きが多く発生することがあります。これが、後で説明するファットテールです。

モーメント：平均・分散・歪度・尖度

分布を理解するためには、平均や分散だけでは不十分です。代表的な指標として、次の4つがあります。

指標	意味
平均（Mean）	分布の中心
分散・標準偏差（Std）	どれくらい散らばっているか
歪度（Skewness）	左右どちらに偏っているか
尖度（Kurtosis）	極端な値がどれくらい出やすいか

金融市場では、この尖度が非常に重要です。なぜなら、投資家を大きく傷つけるのは、平均的な値動きではなく、極端な損失だからです。

ファットテールとは何か

ファットテールとは、正規分布よりも極端な値が出やすい分布のことです。金融市場では、よく次のようなことが起きます。

• 通常時は小さな値動きが続く
• しかし、まれに非常に大きな変動が起きる
• その頻度が、正規分布で想定するよりも高い

ファットテールがある市場では、「3σだからほとんど起こらない」と単純に考えるのは危険です。実際には、正規分布で想定するよりも、$3\sigma$、$4\sigma$、$5\sigma$ 級の変動が多く発生することがあります。

レバレッジを高くしすぎたり、損切りを置かなかったり、過去の平穏な期間だけを見てリスクを見積もったりすると、ファットテールによって大きな損失を受ける可能性があります。

クオンツトレーダーにとって重要なのは、極端な値動きを「想定外」として片づけないことです。

極端な値動きは、確率過程の中で起こり得る現象である。だからこそ、最初からリスク管理に織り込む必要がある。

---

8. 金融時系列のスタイライズド・ファクト

実際の金融リターンには、いくつかの典型的な性質があります。これらは、金融時系列の スタイライズド・ファクト と呼ばれます。

スタイライズド・ファクトとは、多くの市場や資産で繰り返し観察される経験的な特徴のことです。代表的なものは次の通りです。

性質	意味
リターンの自己相関は小さいことが多い	方向の単純な予測は難しい
絶対リターン・二乗リターンには自己相関が残りやすい	ボラティリティはクラスタリングする
分布は正規分布よりファットテールになりやすい	極端な損失が想定より起きやすい
分布は時期によって変わる	レジーム変化がある
流動性やコストがリターンを大きく左右する	紙上のエッジは実運用で消えやすい

クオンツトレーダーが確率過程を学ぶ理由は、これらの性質をモデル化し、予測・リスク管理・戦略検証に使うためです。

確率過程の理解は、実際の市場で、どこにランダム性があり、どこに構造が残っているのかを見分けるための土台になります。

---

9. 金融市場は完全なランダムウォークではない

ここまで、ランダムウォークやホワイトノイズを説明しました。しかし、実際の金融市場は完全なランダムウォークではありません。

もし市場が完全なランダムウォークなら、過去データから有効なエッジを見つけることはほとんど不可能になります。しかし実際には、市場には条件付きでさまざまな構造が現れます。

成分	意味
トレンド成分	一方向に動きやすい力
平均回帰成分	行き過ぎた価格が戻りやすい力
ノイズ	意味を見出しにくい短期的な揺れ
ボラティリティ変化	値動きの大きさの変化
ジャンプ	ニュースやイベントによる急変

金融市場を実務的に見るなら、次のように考えるのが自然です。

$$
\text{価格変化} = \text{トレンド成分} + \text{平均回帰成分} + \text{ノイズ} + \text{ボラティリティ変化} + \text{ジャンプ}
$$

つまり、市場は完全なランダムでも、完全に予測可能でもありません。多くの時間ではノイズが支配的です。しかし、特定の条件では、トレンドや平均回帰、ボラティリティの持続性、ポジションの偏り、流動性の歪みなどが現れることがあります。

クオンツトレーダーが探しているのは、このような条件付きの構造です。

ただし、構造が見えたからといって、すぐにエッジがあるとは限りません。なぜなら、実際に利益を出すには、取引コスト、スプレッド、スリッページ、レバレッジ、損失分布、ドローダウンをすべて考慮する必要があるからです。

---

10. 価格を当てるより、分布を見る

入門者は、つい次のように考えます。

明日は上がるのか、下がるのか。

もちろん、方向予測は重要です。しかし、クオンツトレードでは、それだけでは不十分です。

たとえば、上がる確率が55%あるとしても、それだけでは良い戦略とは言えません。なぜなら、次の条件によって結果は大きく変わるからです。

• 勝つときにどれくらい取れるのか
• 負けるときにどれくらい失うのか
• 取引コストはいくらか
• スリッページはどれくらいか
• 大きな損失がどれくらいの頻度で起こるのか
• 連敗したときに資金が耐えられるのか

つまり、重要なのは、単なる方向の正解率ではありません。重要なのは、リターンの分布です。

たとえば、次の2つの戦略を考えます。

戦略	特徴
戦略A	勝率は高いが、たまに大きく負ける
戦略B	勝率は低いが、勝つときに大きく取れる

どちらが良いかは、勝率だけでは判断できません。期待値、損失分布、最大ドローダウン、ファットテール、資金管理を見なければなりません。

だから、クオンツトレーダーは「次に上がるか」だけでなく、次のように考えます。

どのような分布から、このリターンが発生しているのか。この分布は、リスクを取る価値があるのか。その期待値は、取引コストを超えて残るのか。

これが、分布を見るということです。

---

11. 確率過程はリスク管理の土台である

確率過程の理解は、予測よりもリスク管理に強く関係します。なぜなら、金融市場では未来を完全に当てることはできないからです。

しかし、未来の不確実性をまったく考えられないわけではありません。過去のデータから、次のような性質を観察することはできます。

分析対象	意味
ボラティリティ	どのくらい市場が揺れるか
最大ドローダウン	どの程度の損失に耐える必要があるか
ファットテール	極端な値動きがどれくらい起こるか
自己相関	過去の動きが次に影響しているか
絶対リターンの自己相関	大きな値動きが続きやすいか
レジーム	トレンド・レンジ・急変局面の違い

特に重要なのは、価格を予測対象としてだけでなく、リスク対象として見ることです。

多くの投資家は、利益を得るために価格を予測しようとします。しかし、クオンツトレーダーは、それと同時に、損失がどのように発生するかを重視します。

たとえば、バックテスト上では右肩上がりに見える戦略でも、途中で大きなドローダウンが発生していれば、実運用では耐えられない可能性があります。また、低ボラティリティ期間だけを見て作った戦略は、高ボラティリティ局面で破綻する可能性があります。

価格は予測対象である前に、リスク対象である。

---

12. エッジとは条件付き分布の変化である

クオンツトレードにおけるエッジとは何でしょうか。

単純に言えば、エッジとは 期待値がプラスになる優位性 です。ただし、よりクオンツ的には、エッジは無条件の価格変動ではなく、条件付き分布の変化 として考える方が正確です。

つまり、何も条件を付けない通常のリターン分布に対して、あるシグナルや条件を与えたときに、将来リターンの分布が有利に変化するかを見ます。

図：①無条件分布では期待値はほぼ0でコスト後に優位性が残らない。②シグナルを条件付けると分布が有利にシフトし、コスト後に期待値がプラスになる。③評価では平均だけでなく、分散・歪度・尖度・テールリスクまで含めて判断し、OOS／WFO／DryRunで再現性を検証する必要がある。

$$
E[r_{t+1} \mid \text{signal}_t] - \text{cost} > 0
$$

これは、シグナル $\text{signal}_t$ が出た条件のもとで、次のリターンの期待値が取引コストを差し引いてもプラスである、という意味です。

エッジには、平均リターンがプラスになる形だけでなく、さまざまな形があります。

• 右テールが厚い
• 左テールが限定されている
• 損益分布に有利な非対称性がある
• ボラティリティ調整後の期待値が高い
• リスクプレミアムを受け取れる
• 流動性提供によってスプレッドを回収できる

したがって、エッジを評価するときは、平均リターンだけを見てはいけません。分散、歪度、尖度、最大ドローダウン、テールリスク、取引コスト、流動性まで含めて評価する必要があります。

エッジの検証は厳しく行う必要がある

見かけ上の条件付き分布の変化があっても、それが本当にエッジとは限りません。理由は、過去データには偶然が含まれるからです。

• たまたまその期間だけ勝てた可能性がある
• パラメータを調整しすぎて、過去データに過剰適合している可能性がある
• 取引コストを入れると期待値が消える可能性がある

だから、エッジを確認するには、次のような検証が必要になります。

• バックテスト
• アウト・オブ・サンプル検証
• ウォークフォワード分析
• ホールドアウト検証
• ストレステスト
• DryRun
• 小さな実弾運用

クオンツトレードでは、エッジを「見つける」だけでなく、エッジが本当に存在するかを厳しく疑う必要があります。その判断の土台になるのが、確率過程と分布の理解です。

---

13. 入門者が誤解しやすいポイント

❌ 誤解1：価格を予測できれば勝てる

価格の方向を少し当てられても、それだけでは勝てません。値幅、損切り、コスト、スリッページ、レバレッジ、損失分布が重要です。

❌ 誤解2：バックテストで勝てば本番でも勝てる

バックテストは必要ですが、それだけでは不十分です。過去の一期間に偶然合っていただけの可能性があります。

❌ 誤解3：高勝率なら良い戦略である

勝率が高くても、一回の負けが大きければ破綻します。勝率よりも、期待値、損益比率、ドローダウン、テールリスクを見る必要があります。

❌ 誤解4：高ボラティリティは必ずチャンスである

高ボラティリティでは値幅は大きくなります。しかし同時に、ノイズ、スプレッド、スリッページ、急変リスクも大きくなります。値幅があることと、利益を取りやすいことは同じではありません。

❌ 誤解5：チャートの形だけで判断できる

チャート形状は仮説の出発点にはなります。しかし、その形が統計的に意味を持つかどうかは、データで検証する必要があります。

---

14. まとめ：確率過程は「予測の魔法」ではなく「不確実性を扱う土台」

本記事では、クオンツトレーダーにとって重要な確率過程の考え方を整理しました。

重要なポイントのまとめ：

• 価格は一本の予測できる線ではない
• 金融市場はランダムに揺れる時系列として見る必要がある
• 確率過程は、時間とともに変化するランダムな値の列である
• ランダムウォークは、市場を考えるうえでの基本モデルである
• 金融市場は完全なランダムウォークではなく、トレンド・平均回帰・ボラティリティ変化・ジャンプを含む
• 価格そのものよりも、リターンや対数リターンを見ることが重要である
• リターン分布には、平均・分散・歪度・尖度・ファットテールがある
• 金融時系列には、ファットテール、ボラティリティ・クラスタリング、レジーム変化などのスタイライズド・ファクトがある
• クオンツトレーダーは一点予測ではなく、分布を見る
• 確率過程はリスク管理の土台である
• エッジとは、シグナルや条件によって将来リターンの条件付き分布が有利に変化し、コスト後にも期待値が残ることである

確率過程は、未来価格を正確に予測するための魔法ではありません。
金融市場を不確実性を持った時系列として理解し、リスクとエッジを判断するための土台です。

クオンツトレードとは、未来を一点で当てる技術ではありません。不確実性の中から、リスクを取る価値のある歪みを見つける技術です。その出発点が、確率過程の理解です。

---

次回予告

次回は、実際のUSDJPY 4時間足データを使って、今回説明した考え方を確認します。

具体的には、以下を見ます。

• USDJPYの価格チャート
• 対数リターンの時系列
• リターン分布
• 平均リターンと標準偏差
• Q-Qプロットによるファットテール確認
• リターンの自己相関
• 絶対リターンの自己相関
• ローリングボラティリティ

目的は、USDJPYを予測することではありません。目的は、USDJPYを 確率的に揺れる時系列 として観察することです。

価格チャートにはトレンドが見えます。しかし、リターンに変換すると、短期の値動きはかなりランダムに揺れていることが分かります。一方で、ボラティリティやファットテールには、明確に分析すべき構造が見えてきます。

次回は、この点を実データで確認していきます。