— MIT・Stanford・Yale の名講義から厳選、ほぼYouTubeで完結 —
はじめに
クオンツトレードで本当に難しいのは、予測モデルを作ることではありません。
難しいのは、そのモデルが偶然のフィットではないかを疑い、コスト控除後でも残るエッジを見極め、破綻しないサイズで運用することです。
- バックテストでは勝てるのに、本番運用ではドローダウンが止まらない
- 特徴量を増やすほど成績が良くなるが、OOSで消える
- AIモデルを組んでも、何が「偶然のフィット」で何が「本物のエッジ」か判別できない
- ポジションサイズを決める根拠が結局「勘」になる
こうした問題の多くは、個別テクニックではなく、数学・統計・最適化・市場構造の土台不足から起きます。
世界トップ大学の講義・過去講義・講義ノートの多くは、現在オンラインで無料または無料に近い形で利用できます（ただし、現行授業の一部資料や認定証はログイン制限・有料の場合があります）。本記事では、クオンツトレーダーがその土台を作るために有用な公開講義を5つに絞って紹介します。
ポイントは「有名講義だから観る」ではなく、**「観ないとどの実務判断で詰まるか」**です。
失敗パターン別・先に観るべき講義
「自分の問題はどれ？」から逆引きできるように、まず失敗パターンと対応する講義を示します。
| よくある失敗 | 主な原因 | 先に観る講義 |
|---|---|---|
| バックテストは強いが本番で崩れる | 過学習、リーケージ、非定常性 | Statistical Learning → MIT 18.642 |
| シグナルはあるが損益が安定しない | サイズ設計・制約設計が弱い | EE364A |
| オプション・ヘッジが感覚論になる | 確率過程・動的ヘッジの理解不足 | MIT 18.642 |
| MLモデルの良し悪しが分からない | 損失関数・汎化・正則化の理解不足 | Statistical Learning → CS229 |
| 危機時に戦略が壊れる | 市場制度・流動性・信用リスクの軽視 | Yale Financial Markets |
講義一覧
| 優先度 | 講義 | 大学 | 強み |
|---|---|---|---|
| 1 | Topics in Mathematics with Applications in Finance (18.642) | MIT | 金融数学の総合基礎 |
| 2 | Convex Optimization (EE364A) | Stanford | ポジションサイズ・資金配分 |
| 3 | Statistical Learning | Stanford | 過学習を避ける統計感覚 |
| 4 | Machine Learning (CS229) | Stanford | MLの体系的基礎 |
| 5 | Financial Markets | Yale | 市場の現実とモデル外リスク |
1. Stanford Statistical Learning
リンク
- Python版: https://online.stanford.edu/courses/sohs-ystatslearningp-statistical-learning-python
- YouTube (Python): https://www.youtube.com/playlist?list=PLoROMvodv4rPP6braWoRt5UCXYZ71GZIQ
この講義が解く問題
「過学習をどう避けるか」という、クオンツMLの中心問題に最も丁寧に答えてくれる講義です。Trevor Hastie、Robert Tibshirani(Lassoの発明者)らによる、統計的学習の事実上の標準コース。
観るべき理由
金融時系列では、特徴量を増やすほどバックテスト成績が「説明できたように見える」リスクが高まります。深層学習に飛びつく前に、まずは以下を肌感覚で理解しておく価値があります。
- バイアス・バリアンス分解
- クロスバリデーションの正しい使い方
- 正則化（Lasso / Ridge / Elastic Net）
- 木系モデル（決定木、ランダムフォレスト、ブースティング）
- モデル選択そのものが過学習を生む構造
Lassoはスパース化により変数選択的に振る舞い、Ridgeは多重共線性下での係数安定化に使えます。ただし、選ばれた特徴量が「真のエッジ」であるとは限らず、OOS、コスト控除後、期間分割後の検証が必須です。
観た後に作るもの
- Ridge/Lassoによる特徴量選択・係数安定化
- 時系列分割によるOOS検証
- nested CVによるハイパーパラメータ選択
- 期間別・銘柄群別のモデル安定性チェック
補足コラム：金融時系列でCVを使うときの落とし穴
通常のK-fold CVは金融時系列では危険です。ラベル期間が重なると、訓練データと検証データの間に**情報漏洩（leakage）**が起きます。金融MLでは、以下を別途学ぶ必要があります。
- Purged K-Fold CV: 訓練・検証期間の境界で、ラベル期間が重なるサンプルを除去
- Embargo: 検証期間の直後を一定期間訓練から外し、シリアル相関による漏洩を防ぐ
- Walk-Forward Optimization: 時間順の前進検証
- Combinatorial Purged CV: 複数の訓練・検証パスを生成
- PBO (Probability of Backtest Overfitting): 戦略選択そのものの過学習を定量化
- Deflated Sharpe Ratio: 試行回数を考慮したシャープレシオの補正
これらは Bailey, Borwein, López de Prado, Zhu によるPBO論文や、López de Prado Advances in Financial Machine Learning で詳しく扱われています。Statistical Learning で土台を作った後、この領域へ進むのが標準ルートです。
2. Stanford CS229 — Machine Learning
リンク
- 公式: https://cs229.stanford.edu/
- YouTube: https://www.youtube.com/playlist?list=PLoROMvodv4rMiGQp3WXShtMGgzqpfVfbU
この講義が解く問題
機械学習を、応用ではなくアルゴリズムの導出から学ぶ講義です。教師あり学習、教師なし学習、学習理論、ニューラルネット、強化学習までを体系的にカバーします。
観るべき理由
実務でscikit-learnやPyTorchを叩いているだけだと、「どのモデルがどういう仮定の下で何を最適化しているか」がブラックボックスになりがちです。CS229はそこを開けてくれます。
特にクオンツトレーダーにとっての価値は以下です。
- 損失関数とMLE/MAPの関係（=なぜこの損失を選ぶのか）
- 一般化誤差の理論的背景
- なぜ正則化が機能するのか
- 強化学習の基礎（ポジションサイズ学習・執行最適化に応用可能）
観た後に作るもの
- 自作の線形回帰・ロジスティック回帰（勾配法から）
- バイアス・バリアンス分解の数値実験
- 簡易な強化学習エージェント（マーケットメイクや執行コスト最小化のおもちゃ問題）
注意点
CS229単体では、金融時系列特有の問題（非定常性、リーケージ、ウォークフォワード検証、PBO、コスト・スリッページ）はカバーされません。CS229は「ML一般の基礎」、その上に金融特有の検証設計を別途積み上げる、という二段階で考えてください。
3. Stanford EE364A — Convex Optimization
リンク
- 公式: https://ee364a.stanford.edu/
- YouTube (2023): https://www.youtube.com/playlist?list=PLoROMvodv4rMJqxxviPa4AmDClvcbHi6h
この講義が解く問題
「予測モデルはできた。ではどれだけのサイズで何を買うのか？」という問いに、体系的に答えるための講義です。Stephen Boyd教授の代表講義で、凸最適化を扱うコースとしては事実上の世界標準です。
観るべき理由
クオンツトレードで利益を決めるのは、シグナルそのものではなく、シグナルからポジションへの変換工程です。
- どの銘柄に・どれだけ・どのリスク制約で配分するか
- 取引コストとレバレッジをどう織り込むか
- セクター上限・ロングショート制約をどう数理的に表現するか
これらの多くは、制約を適切に置けば凸最適化として扱えます。実務には非凸問題（整数ロット、最小取引単位、非線形マーケットインパクト、ドローダウン制約など）も多く出てきますが、その場合でも凸近似と双対性は共通言語として機能します。
観た後に作るもの
- レバレッジ制約付き平均分散最適化
- 取引コスト・ターンオーバー制約込みのポートフォリオ最適化
- トラッキングエラー最小化（ベンチマーク追従）
- セクター中立・β中立・ロングショート制約の最適化
- リスクパリティ（凸定式化を使った実装）
注意点
数学的に堅い講義なので、最初の数回は線形代数の復習が必要かもしれません。Boyd & Vandenberghe のテキスト Convex Optimization は無料公開されており、辞書的に使えます。
4. MIT 18.642 / 18.S096 — Topics in Mathematics with Applications in Finance
リンク
- 公式: https://ocw.mit.edu/courses/18-642-topics-in-mathematics-with-applications-in-finance-fall-2024/
- YouTube: https://www.youtube.com/playlist?list=PLUl4u3cNGP601Q2jo-J_3raNCMMs6Jves
この講義が解く問題
「クオンツに必要な数学を一本で総ざらいしたい」というニーズに、おそらく最も近い講義です。線形代数、確率、統計、確率過程、数値計算、そしてそれらの金融応用がワンパッケージになっています。
観るべき理由
クオンツトレードでは、価格をチャートとしてではなく確率過程として扱う必要があります。これは比喩ではなく、以下のような実務判断に直結します。
- なぜ単純移動平均は遅れるのか（=ローパスフィルタとしての性質）
- なぜボラティリティ一定の仮定が危険なのか（=非定常性、ボラティリティ・クラスタリング、レジーム変化を無視しているから）
- なぜジャンプがある市場で連続ヘッジが崩れるのか（=Black-Scholes型の連続拡散・連続取引・無摩擦市場という仮定の限界）
これらは、ブラウン運動・Ito積分・確率微分方程式の基礎なしには直感が育ちません。
観た後に作るもの
- GBM、Ornstein-Uhlenbeck、ジャンプ拡散の価格シミュレーター
- ボラティリティ・クラスタリングを考慮した簡易モデル（EWMA、GARCH(1,1)）
- Black-Scholesヘッジの離散リバランス損益シミュレーション（連続ヘッジとのギャップを定量化）
- PCAを使った株式リターンのファクター分解
注意点
理論色は強めで、コードはほぼ出てきません。実装は別途自分で手を動かす必要があります。
5. Yale ECON 252 — Financial Markets (Robert Shiller)
リンク
- Open Yale Courses: https://oyc.yale.edu/economics/econ-252
- YouTube (2011): https://www.youtube.com/playlist?list=PL8FB14A2200B87185
- Coursera版: https://www.coursera.org/learn/financial-markets-global
この講義が解く問題
ノーベル賞経済学者Robert Shillerによる、**「数式だけでは見えない市場の現実」**を扱う講義です。
この講義は、アルファを作る講義ではありません。むしろ、アルファが消える局面、バックテストが意味を失う局面、市場制度が損益分布を変える局面を理解するための講義です。
観るべき理由
数理モデルは強力ですが、現実の市場には以下が存在します。
- 流動性消失（平常時の相関が崩壊する）
- 信用イベント（カウンターパーティリスク）
- 群集行動とバブル
- 規制変更による市場構造の変化
これらを軽視すると、「過去20年のバックテストでは無敵だった戦略がリーマンショック級の局面で破綻する」という典型的失敗を踏みます。
行動ファイナンスは、多くのアノマリー戦略のエッジ仮説の源泉でもあります。
観た後に作るもの
- 自分の戦略の「危機時チェックリスト」
- 流動性喪失時の損失シナリオ（ストレステスト）
- カウンターパーティ・規制変更・取引停止リスクの棚卸し
- 行動バイアスを定量化した簡易アノマリー戦略の検証
注意点
数理的な深さはありません。テクニカルな講義と並行して観るのが効果的です。
5つの講義はどう噛み合うか
5つの講義は独立したテーマではなく、クオンツシステム全体のレイヤー構造に対応しています。
- Application層: CS229（予測モデルの構築）
- Validation層: Statistical Learning（過学習の排除・汎化性能の確保）
- Execution層: EE364A（サイズ設計・制約下の資金配分）
- Reality層: MIT 18.642 & Yale（確率過程の土台と市場リスク）
AI（上層）だけを強化しても、最適化や数学的土台（下層）が抜けていれば、システム全体が本番で崩落します。
目的別・最短ルートマップ
Route A. デリバティブ・確率過程ルート
MIT 18.642 → Yale → Stanford EE364A
Route B. AIエッジ探索ルート
Statistical Learning → CS229 → 金融特有の検証（Purged CV等）
Route C. 資金管理・サイズ設計ルート
Stanford EE364A → MIT 18.642 (VaR部分)
Route D. 市場の現実・危機管理ルート
Yale Financial Markets → MIT 18.642
Route E. 時間がない実務家向け（Fast-Track）
Statistical Learning（過学習）→ EE364A（サイズ設計）
システムトレーダーの場合、確率解析より先に「過学習」と「サイズ設計」を学ぶ方が成果に直結しやすいことが多いです。
学習時に意識したいこと
これらの講義は、知識を増やすためではなく、自分の戦略を疑う筋肉を鍛えるために観るのがおすすめです。
クオンツトレードで最も危険なのは、「モデルが当たっているように見えること」をそのまま信じることです。講義を観ながら、常に以下を自分の戦略に当てはめてみてください。
- このエッジは OOS でも残るか
- コスト控除後でも期待値はあるか
- パラメータ近傍でも同じ構造が残るか
- 一回の大相場だけに依存していないか
- テールイベントで破綻しないか
- サイズを落とすべき局面を識別できるか
まとめ
迷ったらまず MIT 18.642 から始めるのが無難です。クオンツに必要な数学・統計・確率過程・金融応用が一本にまとまっており、その後の学習の地図にもなります。
ただし、すでにシステムトレードを動かしていて、本番運用で詰まっているなら、Statistical Learning → EE364A から入る方が即効性があります。
- 本番運用を強化したいなら → Stanford EE364A
- AI/MLでエッジ探索したいなら → Stanford Statistical Learning → CS229 → 金融ML特有の検証手法
- モデル外のリスクを理解したいなら → Yale Financial Markets
- デリバティブ・確率過程を深めたいなら → MIT 18.642
紹介した講義はいずれもYouTubeで主要回を無料視聴できます（一部の現行授業資料や認定証はログイン制限・有料の場合があります。英語ですが自動翻訳でも実用レベル）。通勤時間や週末を使えば、半年〜1年で土台が大きく変わります。
最後に、これらはあくまで学習基盤です。実際に勝てる戦略になるかは、ここで得た知識を自分のデータと自分の市場で検証し続けられるかにかかっています。講義は出発点であって、終点ではありません。