Andrew W. Lo教授「Adaptive Markets Hypothesis」Part3：AMHと市場理論 ―― 市場は効率的なのではなく、環境に応じて効率化する

講義動画：https://youtu.be/lT-GZOAxLX8

本記事は Part1・Part2 の続編です。

Part1：クオンツ入門者のための適応的市場仮説 Part 1

Part2：クオンツ戦略は"仮説"である――Adaptive Markets Hypothesisを実務検証に落とす（Part2）

はじめに

バックテストでは綺麗に右肩上がりだった。Sharpe Ratio も悪くない。MaxDD（最大ドローダウン）も許容範囲。

しかし、OOS（Out-of-Sample：学習・最適化に使っていない期間）に出した瞬間に崩れる。あるいは、最初の数か月は機能したのに、しばらくするとエッジが消える。

これは単に「過剰最適化」だけの問題ではない、と私は考えている。市場そのものが変化するからである。

Part1 では、市場は固定された機械ではなく、参加者が学習・競争・淘汰・適応する生態系であること、そして行動の合理／非合理を決めるのはリスク環境（systematic か idiosyncratic か）だという土台を扱った。

Part2 では、その市場を構成している人間が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で判断していること、そしてクオンツ戦略もまた一種のヒューリスティック（正解ではなく仮説）であるという視点を整理した。

Part3 では、この「合理性は環境依存である」という考えを、個人の行動から金融市場全体へ拡張する。中心メッセージは一文で書ける。

市場効率性も、エッジも、戦略の優位性も、固定されたものではない。競争・参加者・情報・技術・環境が変われば、市場そのものが変わる。

クオンツトレーダーにとって重要なのは、バックテストで勝った戦略を「真理」として扱うことではない。その戦略が、どの環境で機能し、どの環境で壊れ、競争が増えたときにどう劣化するかを理解することである、というのが本記事の立場だ。

この記事の想定読者

バックテストで勝てる戦略を作ったが、OOS や実運用で崩れた経験がある人
EMH、行動ファイナンス、AMH の違いを実務的に理解したい人
「市場は効率的なのか、それとも非効率なのか」という二択に違和感がある人
AI や機械学習を使った投資戦略に興味がある人
エッジの寿命、戦略の劣化、レジーム変化を理解したい人

先に結論：AMH をクオンツ検証に落とす早見表

この記事は理論紹介で終わらせたくない。AMH を「市場観」としてだけでなく、戦略レビューの道具として渡したいと考えている。各章の主張を、実務で見るべき指標に対応させると次のようになる。

AMH の示唆	クオンツ実務で見るべきもの
エッジは環境依存	レジーム別 Sharpe、IC、勝率、損益分布
エッジは劣化する	Rolling Sharpe、Rolling IC、alpha half-life
競争で摩擦が増える	turnover、capacity、slippage、fill rate
リスク認識は歪む	leverage、gross/net exposure、VaR 使用後のポジション拡大
AI は判断を同質化する	crowding proxy、同一特徴量依存、同一リスクオフ条件
バックテストは出発点	WFO、purged CV、Holdout、DryRun、少額 GoLive

以降の章は、この表を一行ずつ展開していく作業だと思って読んでほしい。

第1章：なぜバックテストで勝った戦略は死ぬのか

クオンツ入門者は、最初にバックテストの成績を重視しがちだと思う。私自身もそうだった。綺麗なエクイティカーブ、良い Sharpe Ratio、低い MaxDD を見ると、その戦略にエッジがあると考えたくなる。

しかし現実には、次のようなことが起こる。

バックテストでは右肩上がりだったのに、OOS では崩れる
最初の数か月は機能したが、その後エッジが消える
コストを入れると利益が消える
同じ戦略を多くの参加者が使い始めると効かなくなる
レジームが変わると、過去の最適パラメータが通用しなくなる

ここで強調したいのは、問題は単なる過剰最適化だけではない、という点である。

過剰最適化は「過去のノイズに合わせすぎた」という、戦略側の問題だ。しかしそれとは別に、市場そのものが変化するという、環境側の問題がある。参加者が学習し、競争が増え、技術が進化し、情報伝達が速くなる。その結果、過去に存在したエッジは劣化したり、消滅したりする。

実務的には、OOS で崩れる原因を3つに分けて考えると、「AMH が何を説明し、何を説明しないのか」がはっきりする。

OOS 崩壊の原因	内容	AMH との関係
統計的過剰適合	過去ノイズ、パラメータ探索、特徴量探索に勝ってしまった	AMH 以前の検証問題
実装劣化	コスト、スリッページ、約定、遅延、板厚、税金で消える	摩擦・流動性の問題
環境変化	レジーム、参加者、競争、情報速度が変わる	AMH が主に扱う問題

最初の2つ（過剰適合・実装劣化）は、AMH を持ち出すまでもなく、検証設計と執行の問題として潰せる。AMH が本領を発揮するのは3つ目――正しく検証し、コストにも耐えた戦略が、それでも環境変化によって劣化していく領域である。本記事が主に扱うのもここだ。

バックテストで見つけたエッジは、恒久的な法則ではない。資金流入、模倣、競争、取引コスト、流動性、市場構造の変化によって、発見後に劣化し得る資産である。

これを理論として整理したのが、Andrew W. Lo 教授の Adaptive Markets Hypothesis（適応的市場仮説、以下 AMH）だと考えている。

第2章：Part1・Part2 の復習――合理性は環境依存である

Part3 だけを読む人のために、前提を短く復習しておく。

Part1 では、行動を進化モデルとして見た。ある行動が正しいかどうかではなく、その行動が世代を超えて生き残るかを考えた。そして重要だったのは、同じ行動でも置かれたリスク環境が違えば、生き残る行動は正反対になるという点である。

系統的リスク（systematic：ショックが集団全体に同時に降る）下では、賭けを集中させる行動は一度の悪い状態で全滅し、確率マッチングのような「一見すると非合理」な分散行動が生き残る
個別リスク（idiosyncratic：ショックが各個体に独立に降る）下では、期待成長率の高い選択肢に集中する「合理的」な行動が生き残る

Part2 では、市場を作っている人間が限定合理的（bounded rational）であり、全探索による最適化ではなく、記憶・予測・経験則（ヒューリスティック）で「十分によい判断」をしていることを見た。そのヒューリスティックは固定ではなく進化する。だからこそ市場も変化し、エッジも変化する。そしてクオンツ戦略もまたヒューリスティックであり、永遠の法則ではなく、ある環境に適応した仮説である、というところまで来た。

整理すると、こうなる。

講義	主テーマ	クオンツ的な意味
Part1	行動の進化モデルとリスク環境	行動の合理／非合理は環境（systematic / idiosyncratic）の関数である
Part2	限定合理性とヒューリスティック	クオンツ戦略は正解ではなく、環境に適応した仮説である
Part3	AMH と市場理論	市場効率性とエッジも環境依存で生まれ、変化し、消える

合理性は絶対的なものではない。ある環境で合理的だった戦略は、別の環境では淘汰される。

Part3 は、この「合理性は環境依存」という考えを、市場効率性そのものに適用する回だと理解している。

第3章：知性とは何か――予測する力を、生存という尺度で測る

Lo 教授は、Part3 の前半で「知性（intelligence）とは何か」を進化論的に定義し直す。講義のスライドにある定義はシンプルだ。

知性とは、繁殖上の優位（reproductive advantage）をもたらす行動である。
逆に「愚かさ（stupidity）」とは、生存に逆行する行動である。

つまり、知性は論理力や計算速度そのものではなく、生存・繁殖を有利にするかどうかで測られる、という立場である。学習・コミュニケーション・協力・自己認識といった特徴も、すべてこの「生存可能性を高めるか」という観点に従属する。

ではその知性は、具体的にどう働くのか。講義は Jeff Hawkins の考え方を引いて、知性の本質は「予測」にあるとする（Part2 で扱った Memory/Prediction Model の延長線上にある）。Part1 の二択モデルでは、個体は環境（$x_a, x_b$ のどちらが有利か）と無関係に行動を選んでいた。しかし、もし個体が結果をある程度予測できるなら、行動は繁殖成功と相関するようになる。講義のスライドは、これを共分散が正であること

$$
\mathrm{Cov}\big[,I_i^f,;(x_{i,a}-x_{i,b}),\big] ;>; 0
$$

として表現し、「これが知性の一つの定義（Hawkins）」だとしている。$I_i^f$ は「行動 $a$ を選んだか」を表す指標で、それが「$a$ と $b$ のどちらが有利だったか」と正に相関していれば、その個体は環境を予測できている、という意味だ。

ここで重要なのは、講義が「知性（予測能力）が高ければ全振りが最適になる」とは結論していない点である。スライドでは予測能力を $\rho$ という尺度（measure of intelligence）として導入したうえで、成長最適な行動が

$$
f^{*} ;=; \mathrm{Prob}(x_a > x_b)
$$

になることを示す。これは Part1 で見た確率マッチングの別の源泉であり、予測ができる個体ですら、成長最適には「有利な選択肢が出る確率に応じて分散させる」のだ、ということを意味している。

ただし、これは講義で扱われる単純化された二択・進化モデル内での結論であり、実市場のポジションサイズにそのまま適用できる公式ではない（Kelly 基準とも別物である）。実際の最適配分は、勝率だけでなく payoff ratio、損失分布、相関、レバレッジ制約、流動性制約、破産確率に依存する。ここで重要なのは、予測能力がある場合でも「常に全振りが最適」とは限らない、という一点だ。

これを金融・クオンツに置き換えると、こうなる。

投資における知性とは、未来を完璧に当てる能力そのものではない。不確実な環境の中で、破産せず、環境変化に適応し続ける能力である
予測は重要だが、それは「生存」という尺度で測られる。予測精度が高くても、損失時に破産すれば意味がない
勝率が高くても、テールリスクで全損すれば生き残れない
そして、予測ができても、なお分散（確率マッチング的な配分）が成長最適でありうる

Part2 で「予測は点ではなく分布として扱い、外れたときに生き残れる構造を設計すべき」と書いたが、その理由を市場理論の側から言い換えたのがこの章だと考えている。

投資における知性とは、未来を完璧に当てる力ではない。予測する力を、生き残るという尺度で測り続ける力である。

第4章：戦略に絶対的な優劣はない――「It's the environment, stupid」

Lo 教授は、行動を環境との関係で捉える。講義のスライド（Behavior As Emergent Phenomena）にある一文が象徴的だ。

"It's the environment, stupid."
系統的リスク ⇒ 一見すると非合理な行動が生き残る
個別リスク ⇒ 一見すると合理的な行動が生き残る

行動そのものに絶対的な合理・非合理があるのではなく、環境によって評価が逆転する。同じスライドには「無心のランダムな行動＋自然選択＝（成長）最適な行動」という、やや過激な要約もある。行動は設計図から生まれるのではなく、環境による淘汰の結果として立ち現れる、という見方だ。Part1 の systematic / idiosyncratic の議論は、このことの数学的な裏付けだった。

さらに講義は、ここに「限定合理性」を接続する。知性の尺度 $\rho$ が状態変数 $z$ の関数だとすると、最適な行動 $z^{\ast}$ は一つとは限らない。$\rho(z)$ が大域的に凹（concave）でなければ、複数の最適行動が存在し、多様な行動が同時に生き残る。これが、Lo 教授による限定合理性の一つの定義である。逆に $\rho(z)$ が凹であれば $z^{\ast}$ は一意になる。

クオンツへの含意は明確だと考えている。ある戦略が良いか悪いかを、単独で判断することはできない。 環境が複雑であれば、唯一の最適戦略が存在するとは限らず、複数の異なる戦略が並存して生き残りうる。だから問うべきは「どれが最強か」ではなく「この戦略はどの環境で選択され、どの環境で淘汰されるか」である。

戦略	生きる環境	死にやすい環境
逆張り（平均回帰）	レンジ相場、流動性が厚い市場	強いトレンド、流動性低下
トレンドフォロー	持続的な方向性がある市場	ノイズが多い横ばい相場
高レバレッジ戦略	低ボラ・安定相場	ボラ急拡大、スプレッド拡大
機械学習モデル	構造が安定している期間	レジーム転換、参加者行動の変化
裁定戦略	競争が少なく、摩擦が小さい市場	参加者増加、コスト上昇、約定悪化

バックテストで勝った戦略を「良い戦略」と呼ぶのは早い。AMH 的には、その戦略がどの環境で選択され、どの環境で淘汰されるかを見るべきだと考えている。

戦略に絶対的な優劣はない。あるのは、環境との相性だけである。

第5章：適応的リスク認識――リスクは客観値ではなく、主観で歪む

Part3 の重要テーマの一つが、Adaptive Risk Perception（適応的リスク認識）である。

人間は約6万年前に前頭前皮質（prefrontal cortex）による象徴的思考を獲得し、本能的な「闘争・逃走（fight-or-flight）」反応を上書きできるようになった、と講義は説明する。しかし問題は、リスクを上書きする際のリスク認識が、客観的なリスクとずれていることだ。スライドの言葉では、リスク認識は経路依存的（path-dependent）で、主観的で、変動する。

連続して利益が出ると、リスクは低く見える
たった一度の大きな損失があると、リスクは必要以上に大きく見える

これはトレードでよく見られる行動に直結している。

連勝後にロットを上げすぎる
低ボラ相場が続いた後にレバレッジを上げすぎる
大損後に、本来取るべきリスクまで取れなくなる
AI や自動売買を使っている安心感で、モデルの限界を忘れる

安全装置がリスクを増やす――Peltzman効果

この章で講義が持ち出す実証例が、私の見方を一番きれいに裏付けてくれる。Sam Peltzman の自動車安全規制の研究（1975, Journal of Political Economy）である。

直感的には、シートベルトやエアバッグなどの安全装置を義務化すれば、交通事故死は減るはずだ。しかし Peltzman の分析が示したのは、ドライバーが「車が安全になった」と認識した結果、より荒い運転をするようになり、安全装置の効果が相殺されてしまう、という現象だった。スライドの要約では、規制による安全効果は運転行動の変化でほぼ完全に打ち消され、結果としてドライバーの死は減っても歩行者の死や非致死事故が増える、というパターンが観測された。

この「リスク補償行動」は、後年 NASCAR のデータを使った研究（Sobel & Nesbit, 2007, Southern Economic Journal）でもミクロレベルで支持されている。車が安全になるほど、ドライバーはより無謀に走る、という相殺効果だ。

講義の論理を一般化すると、こうなる。リスクが下がっても報酬が同じなら、人はより多くのリスクを取る（同じリスク水準で、より大きな報酬が得られるからだ）。これ自体は合理的でさえある。問題は、リスク認識が現実とずれたときに起こる。

クオンツ実務にそのまま刺さる論点だと考えている。VaR、ヘッジ、AI、アルゴリズムといったリスク管理の道具は、本来リスクを減らすためのものだ。しかし、それらがあることで「もう安全だ」と認識し、人間がリスクを取りすぎるなら、安全装置はかえってリスクテイクを誘発する。これがクオンツ版の Peltzman 効果である。

Part1 の用語で言えば、低ボラ環境は「idiosyncratic に見える時期」だが、参加者が一斉に安心してレバレッジを上げると、そのリスクは systematic に転化する準備が整っていく、とも読める。

最大のリスクは、リスクが消えたように見える瞬間に生まれる。

別の言い方をすれば、こうだ。

低ボラティリティは、安全そのものの証拠ではない。むしろ、同じリスクモデルを使う参加者にレバレッジ拡大を促し、将来の巻き戻しを大きくする環境かもしれない。

実務的には、ボラティリティが低下した局面ほどポジションサイズの算定式（ATR ベースのサイジングなど）を機械的に見直し、主観的な「いける感覚」やリスク管理ツールへの安心感でロットを増やしていないかを点検する、という運用ルールに落とすのが現実的だと考えている。

第6章：EMH vs AMH――市場は効率的なのではなく、効率化する

ここで EMH と AMH の違いを、入門者向けに整理しておく。

講義のスタンスは明快だ。**「EMH は間違っているのではなく、不完全（incomplete）なだけ」**である。EMH は「摩擦のない市場」という一つの極限モデルとしては有用だ。しかし現実の市場には、摩擦・制約・情報格差・流動性・競争・参加者の学習がある。

そこで AMH は、市場効率性を 0 か 1 かの性質ではなく、連続的（continuum）な性質として捉える。効率性の度合いは、競争・資源・環境・技術・情報インフラの関数であり、時間と状況によって変化する。

ケララ州の魚市場の例（Jensen, 2007）

Lo 教授は、Robert Jensen の研究（2007, Quarterly Journal of Economics）を引いて、インド・ケララ州の魚市場の例を紹介する。携帯電話が普及する前、漁師はどの港で魚が高く売れるかを把握できなかった。そのため港ごとに価格差が大きく開き、売れ残った魚が廃棄されることもあった。

しかし、地域ごとに段階的に携帯電話が普及していくと、漁師は出港・帰港の前に各港の価格情報を得られるようになった。研究データでは、携帯電話が導入された地域から順に、港間の価格差（max–min spread）と価格のばらつき（変動係数）が劇的に縮小し、廃棄（waste）がほぼゼロになり、一物一価の法則にほぼ従うようになった。

この例の要点は明確だ。効率性は最初から存在したのではなく、情報インフラ（携帯電話）という環境変化によって作られたということである。効率性は所与の性質ではなく、環境の関数なのだ。

EMH と AMH の違い

観点	EMH	AMH
市場効率性	市場は効率的である	市場は環境に応じて効率化する（連続的な度合い）
EMH の位置づけ	完成した理論	摩擦のない極限としての特殊ケース（間違いではなく不完全）
非効率	例外・異常	環境変化や摩擦から生まれる自然な現象
投資家行動	合理的期待が前提	学習・感情・適応・淘汰が前提
エッジ	持続しにくい	生まれ、劣化し、消える
市場観	物理学的・均衡的	生物学的・進化的

講義は、この生物学的な市場観を二つのレベルで整理している。

個人レベル：行動は進化と環境によって形作られる。強い感情刺激は速い「闘争・逃走」反応を、記憶・予測の学習モデルは遅い「ホモ・エコノミクス」的判断を生む。感情はナラティブの「マーカー」になる（Part2 の「人間は物語で記憶する」に対応）。
集団・市場レベル：心の理論（theory of mind）やミラーニューロンが社会的相互作用を可能にし、戦略的相互作用が時間とともに複雑化する。集団行動は個体群生態学（population ecology）に依存する。

そのうえで、競争が適応と革新を駆動し、自然選択が市場の生態系を形作り、進化が市場ダイナミクスを決める、というのが AMH の骨格である。Lo 教授はこれを、進化生物学者 Dobzhansky の有名な言葉になぞらえる。

「進化の光の下でなければ、生物学の何ものも意味をなさない」（Dobzhansky, 1973）
「適応的市場仮説の光の下でなければ、金融市場の何ものも意味をなさない」（Lo）

市場効率性は、空気のように最初から存在するものではない。情報インフラ、競争、参加者の学習、取引コスト、流動性によって作られる。

クオンツへの含意は、エッジを「発見すれば終わり」と考えないことだ。エッジが存在するということは、まだその市場が特定の点で非効率だということであり、その非効率は情報・競争・技術の変化によって埋められていく途中かもしれない、という前提で扱う必要があると考えている。

第7章：AI 時代の AMH――合理性の同質化が新しい非効率を生む

ここは Part1・Part2 でも繰り返し触れてきた論点であり、Part3 の市場理論に接続することで、より鮮明になると考えている。

AI によって個々の投資判断が合理化されても、市場全体が安定するとは限らない。

むしろ、多くの参加者が似たデータ、似たモデル、似たシグナル、似たリスク管理を使うことで、行動が同質化する可能性がある。これは新しい市場の脆弱性を生む。

同じデータを使う
同じ特徴量を見る
同じモデル構造を使う
同じリスク管理ルールでポジションを落とす
同じタイミングでロスカットが発生する
同じ市場の歪みに資金が集中する

この結果、平常時は市場が効率化しているように見える。しかしショック時には流動性が一気に消え、急激な巻き戻しが起こる可能性がある。

Part1 の用語で言えば、これは idiosyncratic だったリスクが systematic に転化する現象である。各参加者が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、系統的リスクになる。そして系統的リスク下では、第4章で見たとおり「全振り＝最適化」は脆い。

なお、ここは Lo 教授の講義内容そのものというより、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。

同質な AI パイプラインが普及するほど、市場は単純に効率化するだけではない。似たデータ、似た特徴量、似たリスク管理が、賢い参加者を同じ方向に集め、新しい非効率と脆弱性を生む。

別の言い方をすれば、こうなる。

個別には合理的な AI の判断が、集団としては市場の不安定性を高めることがある。

だからこそ、私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。ただし Human-in-the-Loop の意味は、モデルのシグナルを人間の勘で上書きすることではない。それはむしろ再現性を壊す。意図しているのは、モデルが学習していない構造変化――データ定義の変更、流動性の消失、規制変更、参加者構成の変化、約定品質の悪化、クラウディング――を検知し、停止・縮小・再検証を判断する監督機能である。クオンツとして問うべきは「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」だ。

第8章：クオンツ実務への落とし込み――WFO、Holdout、DryRun、GoLive

AMH を抽象理論で終わらせず、戦略開発プロセスに落とし込む。

AMH 的に見ると、戦略開発で重要なのは、単にバックテストの成績を見ることではない。見るべきなのは、その戦略が環境変化に耐えられるかである。

検証項目を、AMH 的な意味づけと並べて整理すると、こうなる。

検証項目	AMH 的な意味
レジーム別成績	どの環境で生き残るか
WFO（Walk-Forward Optimization）	時間変化に適応できるか
Holdout	未知の環境で壊れないか
コスト耐性	摩擦が増えても残るエッジか
流動性耐性	実運用で再現できるか
MaxDD	淘汰される前に耐えられるか
TUW（Time Under Water）	投資家が心理的に耐えられるか
DryRun	実市場環境で劣化しないか
少額 GoLive	約定・スリッページ・心理を含めて生き残るか

これを流れにすると、次のようになる。

バックテストで仮説を確認する
レジーム別に、どの環境で機能するかを見る
WFO で時間変化に対する耐性を見る
Holdout で未知データに対する再現性を見る
コスト・スリッページ・約定条件を厳しくする
DryRun（実発注せず実時間データで挙動を確認）で実市場とのズレを見る
少額 GoLive で実際の執行リスクを確認する
結果を見ながら、停止・縮小・改善・継続を判断する

このプロセスで重要なのは、各段階が「合格／不合格」のゲートであると同時に、戦略がどの環境で壊れるのかを言語化する作業でもある、という点だ。Part2 で書いたとおり、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。WFO や Holdout は、その「壊れる条件」を事前に観測するための装置だと考えている。

AMH がクオンツに教えるのは、最適なモデルを探せ、ということではない。変化する環境の中で、モデルがいつ機能し、いつ壊れるのかを観察せよ、ということである。

さらに厳密に見るなら、Sharpe Ratio そのものではなく、Deflated Sharpe Ratio / Probabilistic Sharpe Ratio や PBO（Probability of Backtest Overfitting）、Purged / Embargoed Cross Validation、パラメータ安定性、turnover-adjusted return、capacity / market impact、alpha decay（signal half-life）、そして live と backtest の差をシグナル劣化と約定劣化に分解する視点まで確認したい。AMH 的に重要なのは、過去に勝ったかではなく、その勝ちがどれだけ脆く、どの摩擦で消え、どの環境変化で反転するかである。

第8.5章：AMH 的な戦略レビューの質問

抽象論で終わらせないために、クオンツ戦略を評価するとき私が置くべきだと考えている問いを、チェックリストとして並べておく。

このエッジの源泉は何か？（誰のどの行動・制約に賭けているか）
誰が同じエッジを見つけやすいか？
そのエッジは、資金流入でどのように劣化するか？
どのレジームで Sharpe / IC / 勝率 / 損益分布が崩れるか？
取引コストを何倍にすると利益が消えるか？
turnover と capacity は現実的か？
live と backtest の差は、シグナル劣化なのか、約定劣化なのか？
停止条件、縮小条件、再学習条件は事前に定義されているか？
同じ特徴量・同じモデル・同じリスクオフ条件を使う参加者が増えたとき、何が起こるか？
この戦略が死ぬとしたら、どの順番で死ぬか？

最後の問い――「この戦略が死ぬとしたら、どの順番で死ぬか」――が、本記事のタイトルに対する私なりの実務的な答えである。勝つ条件だけでなく、死に方を事前に書けている戦略こそ、AMH 的に生き残る確率が高いと考えている。

第9章：結論――エッジは固定された法則ではなく、適応現象である

講義の結論スライドは、AMH 全体を次のように要約している。標準的なパラダイム（EMH）は間違っているのではなく、不完全なだけだ。人間の行動はおよそ6万年間ほとんど変わっていない。一方で、我々を取り巻く環境（技術・情報・市場構造）は急速に変化してきた。この**「ゆっくり進化する人間」と「速く変わる環境」のミスマッチ**こそが、市場に課題（と機会）を生む。進化がダイナミクスを決め、競争・選択・革新が市場を動かす。

クオンツトレードで本当に重要なのは、勝てる戦略を見つけることだけではない、と考えている。

その戦略が、どの環境で勝ち、どの環境で負け、競争が増えたときにどう劣化し、市場構造が変わったときにどう壊れるかを理解することである。

AMH の視点では、エッジは固定された法則ではない。エッジは、市場参加者・情報・競争・技術・リスク認識の中で生まれ、変化し、消えていく適応現象である。

だから、クオンツトレーダーに必要なのは、未来を完璧に当てるモデルではない。必要なのは、変化に適応し、生き残る検証プロセスである。

バックテストはゴールではない。それは、戦略がどの環境で生き残れるのかを調べるための出発点である。

講義が最後に投げかける問いを、そのままクオンツトレーダーへの問いとして引き受けたい。

How adaptive are you?（あなたは、どれだけ適応的か）

読者に持ち帰ってほしい一文

市場は効率的なのではなく、効率化する（効率性は 0/1 ではなく連続的な度合いである）
EMH は間違っているのではなく、不完全なだけである
エッジは、発見・模倣・資金流入・市場構造変化によって劣化し得る。バックテスト上の優位性を恒久的な法則として扱ってはいけない
合理性は環境依存である（It's the environment, stupid）
投資における知性とは、未来を当てる力ではなく、予測を生存という尺度で測り続ける力である
最大のリスクは、リスクが消えたように見える瞬間に生まれる（クオンツ版 Peltzman 効果）
個別には合理的な判断が、集団としては市場の不安定性を生むことがある
AMH は、エッジの寿命を考えるための市場理論である

最後に、Part1 から Part3 までを通じて最も伝えたい一文を置いて締めたい。

エッジは固定された法則ではない。エッジは、市場環境・参加者構成・競争・技術変化の中で生まれ、劣化し、消えていく適応現象である。

参考

講義スライド：MITx 15.481x（15.481 Financial Market Dynamics and Human Behavior）, Andrew W. Lo, Unit 6: The Adaptive Markets Hypothesis ― Lecture: The Adaptive Markets Hypothesis.
講義動画：https://youtu.be/lT-GZOAxLX8
Lo, A. W. (2004), "The Adaptive Markets Hypothesis: Market Efficiency from an Evolutionary Perspective," Journal of Portfolio Management 30, 15–29.
Lo, A. W. (2017), Adaptive Markets: Financial Evolution at the Speed of Thought, Princeton University Press.
Jensen, R. (2007), "The Digital Provide: Information (Technology), Market Performance, and Welfare in the South Indian Fisheries Sector," Quarterly Journal of Economics 122(3), 879–924.（ケララ州の魚市場）
Peltzman, S. (1975), "The Effects of Automobile Safety Regulation," Journal of Political Economy 83, 677–725.（リスク補償行動）
Sobel, R. S. and Nesbit, T. M. (2007), "Automobile Safety Regulation and the Incentive to Drive Recklessly: Evidence from NASCAR," Southern Economic Journal 74(1), 71–84.
Dobzhansky, T. (1973), "Nothing in Biology Makes Sense Except in the Light of Evolution," The American Biology Teacher 35, 125–129.

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。また、AI 時代の市場構造に関する記述には、Lo 教授の講義内容を筆者が拡張・解釈した仮説が含まれる。最終的な投資判断は各自の責任で行ってほしい。

本記事は Andrew W. Lo 教授「Adaptive Markets Hypothesis」Part3（AMH と市場理論）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。

前回までの記事：