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

Last updated at 2026-11-06Posted at 2026-11-06

中心命題：利益とアルファは同義ではない

「勝てる戦略」を発見することと、「なぜ勝てるのか」を説明することは違います。市場・既知ファクターの寄与を除いた推定αも、まだスキルの証明ではありません。本記事では、収益源泉の分解、偶然・モデル依存の検証、未知期間での再現性を、一貫して問い直します。

対象読者：クオンツ戦略の設計者、バックテストを評価する投資家

第3章の「年率7%」「5.5%」「1.5%」は説明用の仮想数値で、実際の戦略の成績ではありません。図3は米国株の実データによる測定です。いずれも特定の投資を推奨するものではありません。

はじめに

年率7%の超過リターンを達成したクオンツ戦略があったとします。十分に利益を上げているように見えます。しかし、その収益を分解すると、1.5%は市場全体へのエクスポージャー、4.0%は既知のモメンタムやキャリーで説明され、モデル上のαはわずか1.5%だったとしたら、どうでしょうか。

しかも、その1.5%でさえ、本当に独自の優位性なのかは分かりません。投資戦略が勝っていることと、その戦略に本物のアルファが存在することは、まったく別の問題です。

本記事では、リターンを市場ベータ、ファクターベータ、アルファの3階建てに分解し、過去の利益が何によって生まれ、将来も再現できる可能性があるのかを検証します。

この記事の核心：問い・答え・メッセージ

この記事の問い

「その投資戦略は、なぜ勝っているのか。そして、その勝因は将来も再現できる『本物の優位性（アルファ）』なのか？」

この記事で本質的に問うべきことは、単に「アルファはいくらあるのか」ではありません。もう一段深く、投資戦略の収益の正体と、その収益を生み出す能力の実在性を問います。

特に重要なのは、過去のリターンを説明することと、将来の収益を生み出せることは、まったく別の問題であるという点です。

この問いを解く3つの検証

① 収益の源泉：市場全体の上昇か、既知のファクターへの露出か、それとも独自の収益源か。

② 優位性の実在性：残ったαは、未知のファクター、非線形リスク、モデルの不完全さ、統計的偶然ではないか。

③ 優位性の持続性：取引コスト控除後にも、未知の将来データで再現する可能性を支持する証拠があるか。

問いへの答え

過去に勝っているという事実だけでは、アルファの存在は証明できません。リターンを「市場β＋既知ファクターβ＋モデル上のα」に分けても、αは採用モデルで説明できなかった平均部分にすぎません。

推定αの統計的有意性、ファクターモデルへの感度、非線形・状態依存のリスク、アウト・オブ・サンプル（OOS）、取引コストと執行制約を検証して、初めて戦略固有の優位性を支持する証拠が積み上がります。つまり、アルファは、回帰の切片（モデルで説明されない平均収益）として一度「見つける」ものではなく、継続的に「検証する」対象です。ただし、検証を通過しても将来のαは保証されません。

読者に残す中心メッセージ

「勝てる戦略」を発見することと、「なぜ勝てるのか」を証明することは違う。そして、その勝因が将来も再現できるかを検証して初めて、アルファの存在を議論できる。

重要な補助結論：本物のαがゼロでも、優れた投資戦略は構築できる。既知のリスクプレミアムを低コストで組み合わせ、リスクと執行を管理することには独自の投資価値がある。

記事の構成

記事は、「勝っている」という結果から出発し、「勝因は何か」という分析を経て、「その勝因は将来も再現できるのか」という問いに到達する流れで進みます。

① 勝ったという結果 → ② 勝因の分解 → ③ 推定αの検証 → ④ 未知期間での再現性 → ⑤ ポートフォリオとしての価値

章	主題	読者に残す理解
1〜2	勝った戦略と3階建て分解	問い①：どこから儲けが生まれたのかを数式で分解する
3	年率7%の仮想戦略を解剖	7%のうち既知の露出5.5%、推定α候補1.5%
4	その1.5%は本物か	問い②：モデル依存・偶然・隠れたリスクを見抜く
5	マーケットニュートラルの罠	「βを消した」と「全リスクを消した」は異なる
6	アルファ監査の手順	問い③：HAC、OOS、コスト、容量まで検証する
7〜8	実務的な価値と結論	αがゼロでも価値はあり、独立した再現性のあるαには追加の価値がある。ただし将来のαに保証はない

数式には、それぞれ「何を測る式か」「各記号の意味」「問いのどこに答えるか」「解釈の限界」を添えます。

第1章「勝っている」と「アルファがある」は違う

読者に残す理解：問い①の入口。「どれだけ儲かったか」と「なぜ儲かったか」は別の問いである。

高いリターン、高いシャープレシオ、モデル上の正のαは、それぞれ別の主張です。同じ戦略を複数の物差しで評価すると、その違いが分かります。

高いCAGR、シャープレシオ、低いMaxDDを達成したとしても、それだけでは収益源泉を特定できません。さらに、過去のデータで統計的に有意なαが推定できたとしても、将来の市場環境でその優位性が機能するかは、別途検証しなければなりません。

式（1）シャープレシオ：総合的なリスク調整後収益

SR = \frac{E[x_{p,t}]}{\sigma(x_{p,t})}

何を測る式か：総合的なリスク調整後の収益効率です。
各記号の意味：$x_{p,t}$ は戦略の無リスク金利超過リターン、$\sigma(\cdot)$ はその標準偏差、$E[\cdot]$ は期待値（実際にはサンプル平均）です。
問いのどこに答えるか：「どれだけ効率よく儲かったか」には答えますが、「なぜ儲かったか」（問い①）には答えません。
解釈の限界：既知のファクターによる収益が大きくても、シャープレシオは高い値を取りえます。そのため、SRだけでは純粋なαの存在を証明できません。

結果の指標は、勝因を語りません。勝因を知るには、リターンそのものを分解する必要があります。

第2章リターンを「3階建て」で考える

読者に残す理解：問い①。どこから儲けが生まれたのかを数式で分解する。

戦略のリターンを、①市場ベータ、②ファクター・ベータ（モメンタム、バリュー、キャリー等）、③モデルで説明できない回帰切片αの3層として扱います。

1F 市場β：市場全体の上昇・下落に乗る部分です。
2F ファクターβ：モメンタム、バリュー、キャリーなど、既知のリスクプレミアム（オルタナティブ・リスクプレミアム）への露出です。
3F 推定α：採用したモデルで説明できなかった平均部分です。

式（2）最初に超過リターンを定義する

x_{p,t} = r_{p,t} - r_{f,t}, \qquad x_{m,t} = r_{m,t} - r_{f,t}

何を測る式か：戦略と市場が、無リスク金利をどれだけ上回ったかです。
各記号の意味：$r_{p,t}$ は戦略のリターン、$r_{m,t}$ は市場のリターン、$r_{f,t}$ は同期間の無リスク金利です。$p$ は戦略、$m$ は市場、$t$ は観測時点を表します。
問いのどこに答えるか：問い①の分解の出発点です。戦略と市場を同じ基準にそろえます。
解釈の限界：通貨・時点・配当の扱いがそろっていないと、以降の分解はすべて歪みます（第6章の表1の①）。

式（3）実現リターンの時系列回帰式

x_{p,t} = \alpha + \beta_m x_{m,t} + \sum_{k=1}^{K} \beta_k f_{k,t} + \varepsilon_t

何を測る式か：戦略の超過リターンが、市場とファクターの動きでどこまで説明できるかです。
各記号の意味：左辺は戦略の超過リターンです。$\beta_m$ は市場への感応度、$\beta_k$ はファクター $k$ への感応度、$f_{k,t}$ はファクター $k$ のリターンです。$\varepsilon_t$ は各期のモデル残差、$\alpha$ は平均的な未説明部分に相当する切片です。
問いのどこに答えるか：問い①（収益の源泉）を分解する中心の式です。
解釈の限界：線形で、係数が一定という仮定に立っています。相関の強いファクター同士を同時に入れると（多重共線性）、個々のβの推定は不安定になります。

式（4）期待プレミアムの置き方

\lambda_m = E[x_{m,t}], \qquad \lambda_k = E[f_{k,t}], \qquad E[\varepsilon_t] = 0

何を測る式か：各要因1単位あたりの平均的な見返りです。
各記号の意味：$\lambda_m$ は市場の平均超過リターン、$\lambda_k$ はファクター $k$ の平均リターンです。
問いのどこに答えるか：βと掛け合わせて、各要因の「寄与」を求めるための値です（問い①）。
解釈の限界：$f_{k,t}$ が自己金融型のロング・ショート・リターンなら、通常さらに無リスク金利を差し引きません。また、λは過去の平均で、将来も同じ大きさとは限りません。

式（5）リターンの3階建て分解（期待値）

E[x_{p,t}] = \underbrace{\beta_m \lambda_m}_{\text{市場ベータ}} + \underbrace{\sum_{k=1}^{K} \beta_k \lambda_k}_{\text{ファクターベータ}} + \underbrace{\alpha}_{\text{モデル上のアルファ}}

何を測る式か：平均超過リターン＝市場βの寄与＋既知ファクターβの寄与＋ α、という分解です。各寄与は「感応度β × 期待プレミアムλ」で決まります。
各記号の意味：式（3）（4）と同じです。
問いのどこに答えるか：問い①「どこから儲けが生まれたのか」への答えそのものです。
解釈の限界：係数βが一定で、残差の期待値が0とみなせるときにだけ成り立ちます。これは将来の期待リターンについての分解なので、過去に推定したβやλが将来も有効であるという追加の仮定が必要です。αは、この式で説明できなかった残りです。

記号	定義	誤解しやすい点
$\beta$	リスク／スタイル要因への感応度	βが大きいことは、スキルの高さではない
$\lambda$	ファクター1単位の平均収益	将来も同じ大きさとは限らない
$\alpha$	採用モデルの切片	純粋なスキルと同義ではない
$\varepsilon_t$	観測時点 $t$ の残差	αという「平均」と混同しない

この分解を、具体的な数値で確かめます。

第3章年率7%の超過リターンを分解する

読者に残す理解：7%のうち既知の露出は5.5%。推定αの候補は1.5%にすぎない。

年率7%の超過リターンを上げている仮想の戦略を、「勝因」ごとに解剖します。市場・モメンタム・キャリーで5.5%が説明でき、未説明の1.5%だけが推定αの候補になります。数値はいずれも説明用で、実際の戦略の成績ではありません。

階層	リスク／収益要因	β	年率λ	年率寄与＝ β×λ
① 市場β	株式市場	0.30	5.0%	1.5%
② ファクターβ	モメンタム	0.50	4.0%	2.0%
② ファクターβ	キャリー	0.40	5.0%	2.0%
③ 推定α	未説明の平均収益	―	―	1.5%
合計	年率の超過リターン	―	―	7.0%

式（6）残った1.5%を計算する

\widehat{\alpha} = 7.0\% - (1.5\% + 2.0\% + 2.0\%) = 1.5\%

何を測る式か：既知の寄与を差し引いたあとに残る平均収益です。
各記号の意味：市場寄与＝ 0.30×5.0% ＝ 1.5%、モメンタム寄与＝ 0.50×4.0% ＝ 2.0%、キャリー寄与＝ 0.40×5.0% ＝ 2.0% です。
問いのどこに答えるか：問い①の結論です。ここで残った1.5%が、問い②で検証する対象になります。
解釈の限界：1.5%は「モデルで説明できない平均」であり、スキルの量ではありません。

この章の見せ場

見かけ上の超過リターン7.0%のうち、5.5%は選んだリスクファクターで説明できます。残り1.5%も単なる「モデル上の推定α」であり、この段階では「本物のアルファ」と断定できません。次章で、偶然と未説明リスクの可能性を検証します。

推定αがどう決まるか（実測データの場合）

\widehat{\alpha} = \bar{x}_p - \widehat{\beta}_m \bar{x}_m - \sum_{k=1}^{K} \widehat{\beta}_k \bar{f}_k

何を測る式か：実際のデータで回帰したときの、推定αの決まり方です。
各記号の意味：バーはサンプル平均、ハットは推定値です。
問いのどこに答えるか：推定αが「既知の平均寄与を引いた残り」であることを示し、問い①から問い②への橋渡しになります。
解釈の限界：切片を含む最小二乗法（OLS）の回帰で、標本平均の恒等式として機械的に成り立つものです。標本内で残差の平均がゼロになること自体は、モデルの正しさを証明しません。また、これは過去の標本の分解であり、式（5）の将来の期待リターンの分解とは別物です。βの推定がずれれば、そのずれはそのままαに移ります。

注意：β×λはモデル上の寄与です。相関のあるファクター間の帰属は、モデルや基準の選び方で変わります。「5.5%を無条件・無コストで複製できる」という意味ではありません。

勝因の大部分は既知の露出で説明できました。では、残った1.5%は本物でしょうか。

第4章その1.5%は本当にアルファか？

読者に残す理解：問い②。モデル依存・偶然・隠れたリスクを見抜く。

4-1 物差し（モデル）を変えると、αも変わる

市場のみを説明変数にするCAPMと、市場＋バリュー＋モメンタム等を入れた多因子モデルは、同じ戦略から別のαを推定します。新しいファクターを加えると、αが縮小する場合も、増える場合もあります。

これを実データで確かめます。同一の戦略リターンに、次の3つのモデルを当てます。αだけでなく、信頼区間とR²も並べます。

モデルA：市場のみ（CAPM）
モデルB：市場＋FF5（Fama–Frenchの5ファクター）
モデルC：市場＋FF5＋モメンタム（MOM）

各ファクターの略語と中身は、付録Aにまとめています。

対象は、米国の大型・勝ち組株のポートフォリオ（Kenneth French データライブラリの S5M5）です。米国株を毎月、時価総額と過去リターン（12カ月前〜2カ月前）でそれぞれ5つに分け（区切りはNYSE上場銘柄の五分位点）、時価総額が最大かつ過去リターンが最上位の区分を取り出したものです。この期間の平均超過リターンは年率9.2%でした。

この例の位置づけ：S5M5は、もともと過去リターン（モメンタム）で選んだポートフォリオです。そのため、モメンタム・ファクターを加えると説明力が上がるのは、理論的にも自然な結果です。この例は「物差しによってαがどう変わるか」を示す教材としての実例であり、未知の戦略から隠れたアルファを発見したことを示すものではありません。

モデル	推定α（年率）	95%信頼区間	t値	R²
A：CAPM	2.9%	0.4〜5.4%	2.25	0.75
B：FF5	3.6%	0.8〜6.3%	2.56	0.77
C：FF5＋MOM	−0.5%	−2.2〜1.2%	−0.59	0.90

CAPMでは年率2.9%の有意なαに見えます。FF5に切り替えると、αは3.6%に増えます。主な理由は、この戦略がHMLに−0.21の露出を持つ（割高な成長株に偏っている）ことです。CAPMでは、バリューのプレミアムを受け取れない分が、αを押し下げていました。ところがモメンタム・ファクターを加えると、推定αは−0.5%となり、統計的な有意性を失いました（信頼区間が0をまたぎます）。この結果は、αと解釈されていた収益の相当部分が、既知のモメンタムへの露出（β＝0.47）で説明できることを示しています。ただし、これで真のαがゼロだったと証明されたわけではありません。言えるのは、アルファの有無を議論する前に、何を説明変数に採用したかを確認する必要があるということです。

なお、R²の0.90は、月々のリターンの変動をモデルがどれだけ説明したかを表す値です。「平均リターンの90%を説明できた」という意味ではありません。平均リターンの内訳は、式（5）と同じ形で「β ×（ファクターの平均）」として分解できます。モデルCの場合は次のとおりです。

階層	要因	β	要因の平均（年率）	寄与＝ β×平均
① 市場β	Mkt−RF	1.06	6.2%	6.6%
② ファクターβ	MOM	0.47	7.9%	3.7%
② ファクターβ	CMA	−0.19	3.6%	−0.7%
② ファクターβ	SMB・HML・RMW	ほぼ0	―	0.1%
③ 推定α	切片	―	―	−0.5%
合計	平均超過リターン			9.2%

CAPMでは、平均9.2%が「市場の寄与6.3%＋α 2.9%」に分かれていました。6因子で分解し直すと、αに見えていた部分は、主にモメンタムの寄与3.7%に置き換わります。第3章の仮想例と同じ3階建ての分解が、実データでも確認できます。ただし、この分解は標本内で成り立つ恒等式（第3章）に基づくもので、将来も同じ内訳になるとは限りません。

データと推定方法：Kenneth French データライブラリのデータを使用しました。期間は1963年7月〜2017年3月の645カ月です。推定はOLS、標準誤差はHAC（Newey–West、ラグ6）です。αは月次の値を12倍した単純な年率化で、複利の収益率とは異なります。使用したファイル名・取得先・回帰コードは付録Bに載せています。

4-2 「偶然プラス」かどうかを検定する

式（7）推定αのt値（HAC標準誤差）

t_{\alpha} = \frac{\widehat{\alpha}}{\widehat{SE}_{\mathrm{HAC}}(\widehat{\alpha})}

何を測る式か：推定αが、推定誤差に比べてどれだけ大きいかです。
各記号の意味：分子はサンプルから求めた切片、分母は系列相関・不均一分散を考慮した標準誤差です。
問いのどこに答えるか：問い②のうち「統計的な偶然ではないか」に答えます。
解釈の限界：t値が高ければ「α＝0」という仮説とは整合しにくくなります。しかし、探索した戦略が多いほど、見かけの有意性は過大になりえます。

式（8）95%信頼区間の近似

\widehat{\alpha} \pm 1.96 \, \widehat{SE}_{\mathrm{HAC}}(\widehat{\alpha})

何を測る式か：推定αがとりうる範囲の目安です。
各記号の意味：1.96は、大標本の正規近似で95%の範囲に対応する値です。
問いのどこに答えるか：問い②。図3のモデルCのように、信頼区間が0を含むなら、正の推定αを強い証拠として扱えません。
解釈の限界：1.96は普遍的な多重検定補正ではありません。

多重検定について、Harvey, Liu & Zhu（2016）は、数多くのファクターが試されてきたことを考えると、新しいファクターにはt＞3程度のより高いハードルが必要だと論じました。ただし「t＞3」は、あらゆる戦略に共通する合格線ではありません。どれだけの候補を試したかによって、必要なハードルは変わります。

4-3 隠れた非線形リスク

式（9）市場リターンの2乗項を加える例

x_{p,t} = \alpha + \beta_m x_{m,t} + \gamma \, (x_{m,t})^2 + \varepsilon_t

何を測る式か：市場リターンの「大きさ」に対する非線形な感応度です（Treynor & Mazuy, 1966 の形）。
各記号の意味：$\gamma$ は市場リターンの2乗に対する係数です。負なら、市場が大きく動くほど損をする形を示唆します。
問いのどこに答えるか：問い②のうち「非線形リスクではないか」に答えます。オプション売りに近い戦略の「普段は好調、極端な変動時に損失」という性質を検査する入口です。
解釈の限界：2乗項だけで、すべての尾部リスクを捉えることはできません。

下落局面に固有のリスクを調べるなら、市場の上昇時と下落時でβを分けて推定するモデルを併用すると、より直接的です（Henriksson & Merton, 1981 の考え方）。

補足式：上昇時と下落時で市場βを分ける

x_{p,t} = \alpha + \beta^{+} \max(x_{m,t}, 0) + \beta^{-} \min(x_{m,t}, 0) + \varepsilon_t

何を測る式か：市場が上がった月と下がった月で、戦略の感応度がどれだけ違うかです。
各記号の意味：$\beta^{+}$ は上昇時の市場β、$\beta^{-}$ は下落時の市場βです。
問いのどこに答えるか：問い②のうち「下げ相場でだけ市場に連動する、隠れたリスクではないか」に答えます。$\beta^{-}$ が $\beta^{+}$ より大きければ、普段の低いβは見かけにすぎない可能性があります。
解釈の限界：上昇と下落の境目を0に置くのは、一つの選び方にすぎません。大きく下落した月は数が少ないため、$\beta^{-}$ の推定は不安定になりがちです。

4-4 変動するβとファクター・タイミング

式（10）動的なβが持つタイミング要因

E[\beta_t f_t] = E[\beta_t] \, E[f_t] + \mathrm{Cov}(\beta_t, f_t)

何を測る式か：時間とともに変わるβと、ファクター収益の関係が、平均収益にどう寄与するかです。
各記号の意味：$\beta_t$ は時点 $t$ のβ、$f_t$ はファクター収益、$\mathrm{Cov}$ は共分散です。
問いのどこに答えるか：問い②のうち「モデルの不完全さではないか」に答えます。$\beta_t$ と $f_t$ が同時に動くと、その共分散が平均収益に寄与します。
解釈の限界：平均βだけの静的回帰では、このタイミング効果をαと取り違える可能性があります。

この章で答えること

「既知の要因を引いて残った＝スキル」ではありません。推定αは採用モデルに条件づけられた値で、統計的有意性だけでなく、経済的な解釈とモデルの頑健性が必要です。

βを取り除いたつもりでも、リスクが残っていることがあります。その代表例が「マーケットニュートラル」です。

第5章マーケットニュートラルは「リスクゼロ」ではない

読者に残す理解：「βを消した」と「全リスクを消した」は異なる。

投資額を均衡させること、市場βを打ち消すこと、既知ファクターへの感応度まで消すことは、数学的に異なります。この3つを順に見ます。

式（11）ポートフォリオのファクター感応度

\beta_{P,j} = \sum_{i=1}^{N} w_i \, \beta_{i,j}

何を測る式か：ポートフォリオ全体の、要因 $j$ への感応度です。
各記号の意味：$w_i$ は銘柄 $i$ の符号付きウェイト（ロングは正、ショートは負）、$\beta_{i,j}$ は要因 $j$ への感応度です。ポートフォリオのβは、各銘柄の加重和になります。
問いのどこに答えるか：問い②の補足です。「中立」の中身を確かめる道具になります。
解釈の限界：ウェイトの分母となる基準元本を統一することが前提です。

式（12）ダラー・ニュートラルの条件

\sum_{i=1}^{N} w_i = 0

何を測る式か：ロング金額とショート金額の合計が等しい状態です。
各記号の意味：式（11）と同じです。
問いのどこに答えるか：中立化の第一段階です。
解釈の限界：ロング群とショート群で市場βが異なれば、市場への方向リスクは残ります。

式（13）より強い中立化の条件

\beta_{P,m} = 0, \qquad \beta_{P,k} = 0 \quad (k = 1, \ldots, K)

何を測る式か：市場βだけを0にすれば「市場β中立」、分析対象の各ファクターβも0に近づければ「ファクター中立」です。
各記号の意味：$\beta_{P,m}$ はポートフォリオの市場β、$\beta_{P,k}$ はファクター $k$ へのβです。
問いのどこに答えるか：「何を中立化したあとのαなのか」を特定します。
解釈の限界：推定誤差・未観測の要因・取引コストは残ります。

簡単な例：ロングのβ＝1.15、ショートのβ＝0.80

1.15L - 0.80S = 0 \quad \Rightarrow \quad S = 1.4375L

$L$ はロング元本、$S$ はショート元本です。$L = S$ なら、市場β換算で $0.35L$ の差額が残ります。市場βを相殺するには、ショートをロングの1.4375倍にする必要があります。そのときの空売り・資金調達・レバレッジの負担は、別の問題として残ります。

何を中立にする？	数式上の条件	なお残るもの
ダラー中立	ロング総額＝ショート総額	市場β、スタイルβなど
市場β中立	$\beta_{P,m} = 0$	バリュー、モメンタム等のβ
既知ファクター中立	$\beta_{P,m} = 0$、$\beta_{P,k} = 0$	未観測のβ、流動性・テールリスク

この図は、段階が進むほど中立化の対象が増えることを表した概念図です。数式上の包含関係を表すものではありません。上の例のように、市場βを相殺するとダラー・ニュートラルから外れることもあります。

「マーケットニュートラルで年率α○%」と言われたら、まず何を中立化し、何を説明変数に入れた後のαなのかを確認する。

ここまでは、過去のリターンを説明する話でした。しかし、過去を説明できることと、将来も収益を生み出せることは別の問題です。最後の検証、問い③に進みます。

第6章クオンツ実務での「アルファ監査」手順

読者に残す理解：問い③。HAC、OOS、コスト、容量まで検証する。

読者が自身の戦略を診断できるように、実務のプロセスを6段階に落とします。以下は、回帰・HAC・ローリング検証を基礎に、OOSとコストの監査を加えた本記事からの提案です。

各手順で確認・報告する指標は、表1のとおりです。

表1：アルファ監査

順	実施すること	確認・報告する指標
①	同一通貨・時点にそろえた超過リターンを作成	配当、資金調達、先読み、欠損、頻度
②	市場・既知ファクターを事前選定	モデルと採用理由、公開時点
③	OLSとHAC標準誤差を推定	α、β、t値、95% CI、R²
④	モデル感度・非線形・β変動を確認	α変化、下落局面β、ローリングβ
⑤	未知期間で事前固定ルールを評価	OOS α、ドローダウン、安定性
⑥	執行コスト・流動性・キャパシティを反映	ネットα、スリッページ、容量

式（14）〜（16）は、この手順の⑤⑥を数式にした、本記事の補足です。

式（14）実際の取引コストを控除する（本記事の補足）

r_{p,t}^{\mathrm{net}} = r_{p,t}^{\mathrm{gross}} - c_t

何を測る式か：コスト控除後の戦略リターンです。
各記号の意味：$c_t$ は、取引手数料、スプレッド、スリッページ、資金調達など、当該期間のコストを反映した値です。
問いのどこに答えるか：問い③のうち「取引コスト控除後にも残るか」に答えます。αを評価する際は、ネットの系列で回帰をやり直します。
解釈の限界：コストとファクターが相関する場合、αの低下幅は平均コストと必ずしも一致しません。

式（15）未知期間でのファクター控除後リターン（本記事の補足）

u_t^{\mathrm{OOS}} = x_{p,t}^{\mathrm{net}} - \widehat{\beta}_m^{\mathrm{train}} x_{m,t} - \sum_{k=1}^{K} \widehat{\beta}_k^{\mathrm{train}} f_{k,t}

何を測る式か：未知期間（OOS）のネット戦略リターンから、市場・ファクターの寄与を差し引いたものです。
各記号の意味：$\widehat{\beta}^{\mathrm{train}}$ は、学習（train）期間だけで推定して固定したβです。
問いのどこに答えるか：問い③のうち「未知の将来データで再現するか」に答えます。
解釈の限界：変数とファクター定義は、評価前に固定しておく必要があります。結果を見てから変えると、第4章のモデル依存の問題がそのまま戻ってきます。

式（16）未知期間での平均未説明リターン（本記事の補足）

\widehat{\alpha}_{\mathrm{OOS}} = \frac{1}{T_{\mathrm{OOS}}} \sum_{t \in \mathrm{OOS}} u_t^{\mathrm{OOS}}

何を測る式か：未知期間での、平均的な未説明リターンです。
各記号の意味：$T_{\mathrm{OOS}}$ は評価対象期間の観測数、$u_t^{\mathrm{OOS}}$ は式（15）の差分です。
問いのどこに答えるか：問い③への直接の証拠になります。
解釈の限界：この平均がプラスでも、サンプルの短さや環境変化を考慮する必要があります。

式（17）アプレイザル・レシオ

AR = \frac{\widehat{\alpha}}{\sigma(\widehat{\varepsilon})}

何を測る式か：αを残差の標準偏差で割った、残差リスク当たりの収益効率です。
各記号の意味：$\widehat{\alpha}$ は推定α、$\sigma(\widehat{\varepsilon})$ は残差の標準偏差です。
問いのどこに答えるか：問い③で、残ったαの「質」を比べる指標になります。
解釈の限界：分母がリターン全体の標準偏差ではないため、一般的なシャープレシオとは別物です。αとσは同じ期間単位にそろえます。

アルファの証拠を4段階で評価する

表1の手順が最終的に何を判定するのかを、証拠の強さの4段階で整理します。これは学術的に確立された分類ではなく、本記事の評価フレームワークとしての提案です。

各段階と、表1の手順・なお残る疑いの対応は次のとおりです。

段階	状態	対応する手順	なお残る疑い
Level 1：モデル上のα	回帰で正のαが推定された	表1の①〜③	統計的な偶然、物差しの選び方
Level 2：統計的に頑健なα	有意性、多重検定、モデル感度、非線形リスクを確認した	表1の③④（第4章）	過去の標本に合わせ込んだ結果ではないか
Level 3：OOSで再現したα	使っていない期間に、事前に固定したルールと評価方法で、コスト控除後も再現した	表1の⑤⑥（式14〜16）	市場環境が変わっても続くか
Level 4：実運用で持続性を示すα	執行コスト、流動性、容量の制約や、異なる市場局面のもとでも証拠が積み上がった	表1の⑥と運用中の監視	将来も続く保証はない

図3の例では、CAPMとFF5のαはLevel 1にあたります。しかし、Level 2のモデル感度の確認で、モメンタムを加えると統計的な有意性を失いました。

Level 3のOOSには、過去データを分割したヒストリカルOOSと、検証後に新しく観測されるフォワードデータの2種類があります。ヒストリカルOOSでは、分析者がその期間の市場の動きをすでに知っているため、ルールの設計に無意識のうちに影響しえます。その意味で、両者の証拠としての強さは同じではなく、フォワードデータのほうが強い証拠になります。

そして重要なのは、Level 4に到達しても「将来も必ず勝てる」とは言えないことです。ここが、本物のアルファを論じるうえでの核心です。

この章で答えること

過去の説明力は、将来の予測力と同一ではありません。OOSでプラスのネットαが継続すれば追加の証拠になりますが、その結果だけで永続的な優位性を「証明」したことにはなりません。だからこそ、αは一度見つけて終わりにするものではなく、運用を続けながら同じ手順で検証し続ける対象です。

ここまで厳しく検証すると、αはほとんど残らないかもしれません。では、αが残らない戦略に価値はないのでしょうか。

第7章 αがゼロでも、戦略に価値はある

読者に残す理解：αがゼロでも価値はある。

「本物のアルファ」を厳しく吟味することと、ファクター投資の価値を否定することは別問題です。

推定αがゼロでも、分散投資、リスク管理、低コスト化、執行品質によって、投資家の目的に合う戦略を設計できます。市場βとファクターβを適切に組み合わせ、分散とリスク管理によって投資家にとって望ましいリターン特性を実現できるなら、純粋なαがゼロでも、その戦略には価値があります。

逆に、推定αがプラスでも、極端なテールリスクや取引コストによって実運用で利益が残らなければ、投資家にとっての価値は限られます。

単一ファクターでも、合理的な配分対象になりえます。 ただし、長期リターンの保証ではありません。
純粋αが小さくても、改善の余地はあります。 低コスト化、リスク分散、資金効率、実行品質です。
手数料の正当性を検討できます。 「既知のβを高額で買っていないか」という観点です。

AQRのAng, Jiang & Maloney（2018）も、バリュー、モメンタム、キャリーなどのリスクプレミアムを複数の資産で組み合わせることが、伝統的な株式・債券ポートフォリオを補う収益源になりうると論じています。

7-1 既知のファクターの限界と、独立したアルファの価値

既知のファクターだけで利益を得られるなら、なぜ発見も検証も難しいアルファを追求するのでしょうか。理由は、既知のファクターにも固有のリスクがあるからです。

リスク	内容	例
長期不振	プレミアムが長期間マイナスになる	2010年代の米国株のバリュー
急激な損失	短期間に大きく崩れる	2009年のモメンタム・クラッシュ（Daniel & Moskowitz, 2016）
収益性の低下	普及につれて収益機会が縮む	論文公表後に平均約58%低下（McLean & Pontiff, 2016。97の予測変数）
分散効果の低下	危機時に相関が変わり、同時に損失が出る	2007年8月のクオンツ危機（Khandani & Lo, 2011）

複数のファクターに分散すれば十分とも限りません。バリューとモメンタムは負の相関を持ち、組み合わせると分散効果がありますが、資産クラスをまたぐ共通の要因や、資金流動性リスクの影響も受けます（Asness, Moskowitz & Pedersen, 2013）。ファクターを複数持つことと、収益源が独立していることは同じではありません。

独立したアルファの価値は、既知のファクターを上回ることではなく、既存のポートフォリオにない収益源を足せることです。その改善の大きさは、式（17）のアプレイザル・レシオで表せます。

補足式：独立した収益源を加えたときのシャープレシオの改善

SR_{\mathrm{after}}^{2} = SR_{\mathrm{before}}^{2} + AR^{2}

何を測る式か：新しい戦略を最適な比率で加えたときの、ポートフォリオ全体のシャープレシオの改善です。
各記号の意味：$AR$ は、新しい戦略のリターンを既存の保有資産のリターンに回帰して求めたアプレイザル・レシオです。
問いのどこに答えるか：改善はARだけで決まり、既存の保有で説明できる部分（β）は寄与しません。α＝0なら、全体は改善しません。
解釈の限界：αと残差の標準偏差を正確に知っている前提の式です（Gibbons, Ross & Shanken, 1989）。推定値では改善を過大に見積もるため、コスト控除後・OOSの値で評価します。

このときの回帰の相手は、第4章のFF5＋MOM（既知の効果の焼き直しかを診断する物差し）ではなく、投資家が実際に保有している、または保有できる資産です。

アルファは必須ではありません。しかし、既存の収益源との相関が低く、コスト控除後も未知のデータで再現する収益源には、追加の価値があります。未知であること自体に価値があるわけではありません。

第8章結論：「勝った理由」を分解する

読者に残す理解：将来のαに保証はない。

問いへの最終回答です。利益を生む戦略が、必ずしも独自のαを生むとは限りません。①市場β、②既知ファクターβ、③モデル上のαを分け、その③について、偶然・未説明リスク・実装可能性を検証します。未知データと現実的なコスト条件で再現されて初めて、固有の優位性を支持する材料が得られます。

投資家にとっての最終目標は、「αの推定値を大きく見せること」ではありません。収益源泉を理解し、説明可能なリスクと説明困難なリスクを区別して、頑健なポートフォリオを作ることです。

第7章で見たとおり、投資戦略の価値は、アルファの大きさだけで決まるものではありません。既知のリスクプレミアムを適切に組み合わせ、低コストで分散し、リスクを管理するだけでも、優れたポートフォリオは構築できます。そのうえで、既存の収益源と独立した、再現性のある収益源を加えられれば、ポートフォリオはさらに改善しえます。一方で、どれほど高いアルファが推定されても、その収益が未知の市場環境で再現できなければ、持続的な優位性とは判断できません。だからこそ必要なのは、αという数字を大きくすることではなく、なぜ利益が生まれたのかを理解し、その収益源泉が将来も成立するのかを、反証可能な方法で検証し続けることです。

投資戦略が利益を上げたからといって、そこにアルファが存在するとは限りません。

市場の上昇による利益、既知のファクターへのエクスポージャーによる利益、そして統計的な偶然。これらを取り除いて初めて、独自の優位性があるのかを議論できます。

しかし、過去のデータから推定されたアルファも、将来の収益を保証するものではありません。

クオンツ投資で本当に問うべきなのは、「どれだけ儲かったか」ではなく、**「なぜ儲かったのか。そして、その理由は将来も成立するのか」**ということです。

アルファを探すこと以上に、アルファではないものを見極めること。その厳密さこそが、クオンツ投資に求められる科学的な姿勢なのだと思います。

参考文献

Ang, I., Jiang, S., & Maloney, T. (2018). "Understanding Alternative Risk Premia." AQR Capital Management, White Paper.
Asness, C., Ilmanen, A., Israel, R., & Moskowitz, T. (2015). "Investing With Style." Journal of Investment Management, 13(1), 27–63.
Asness, C. S., Moskowitz, T. J., & Pedersen, L. H. (2013). "Value and Momentum Everywhere." Journal of Finance, 68(3), 929–985.
Carhart, M. M. (1997). "On Persistence in Mutual Fund Performance." Journal of Finance, 52(1), 57–82.
Daniel, K., & Moskowitz, T. J. (2016). "Momentum Crashes." Journal of Financial Economics, 122(2), 221–247.
Fama, E. F., & French, K. R. (1993). "Common Risk Factors in the Returns on Stocks and Bonds." Journal of Financial Economics, 33(1), 3–56.
Fama, E. F., & French, K. R. (2015). "A Five-Factor Asset Pricing Model." Journal of Financial Economics, 116(1), 1–22.
Fama, E. F., & French, K. R. (2016). "Dissecting Anomalies with a Five-Factor Model." Review of Financial Studies, 29(1), 69–103.
Gibbons, M. R., Ross, S. A., & Shanken, J. (1989). "A Test of the Efficiency of a Given Portfolio." Econometrica, 57(5), 1121–1152.
Harvey, C. R., Liu, Y., & Zhu, H. (2016). "... and the Cross-Section of Expected Returns." Review of Financial Studies, 29(1), 5–68.
Henriksson, R. D., & Merton, R. C. (1981). "On Market Timing and Investment Performance. II. Statistical Procedures for Evaluating Forecasting Skills." Journal of Business, 54(4), 513–533.
Khandani, A. E., & Lo, A. W. (2011). "What Happened to the Quants in August 2007? Evidence from Factors and Transactions Data." Journal of Financial Markets, 14(1), 1–46.
McLean, R. D., & Pontiff, J. (2016). "Does Academic Research Destroy Stock Return Predictability?" Journal of Finance, 71(1), 5–32.
Newey, W. K., & West, K. D. (1987). "A Simple, Positive Semi-Definite, Heteroskedasticity and Autocorrelation Consistent Covariance Matrix." Econometrica, 55(3), 703–708.
Treynor, J., & Mazuy, K. (1966). "Can Mutual Funds Outguess the Market?" Harvard Business Review, 44(4), 131–136.
Kenneth R. French Data Library（図3のデータ）

本記事は、筆者がまとめた資料『リターンの3階建て分解 ― 市場ベータ・ファクターベータ（オルタナティブ・リスクプレミアム）・純粋なアルファ』（2026年11月）をもとにしています。

付録

付録A：ファクター・モデルと略語の説明

FF5（Fama–French 5ファクターモデル）

FF5は、Fama & French（2015）が提案した、株式のリターンを5つのファクターで説明するモデルです。

R_{i,t} - R_{f,t} = \alpha + b\,(R_{M,t} - R_{f,t}) + s\,\mathrm{SMB}_t + h\,\mathrm{HML}_t + r\,\mathrm{RMW}_t + c\,\mathrm{CMA}_t + \varepsilon_t

略語	正式名	何を買い、何を売るか	捉えようとする効果
Mkt−RF	Market minus Risk-Free	株式市場全体（時価総額加重）を買い、無リスク金利で資金を調達する	市場リスク・プレミアム
SMB	Small Minus Big	時価総額の小さい銘柄を買い、大きい銘柄を売る	サイズ効果
HML	High Minus Low	簿価時価比率（B/M）の高い割安株を買い、低い割高株を売る	バリュー効果
RMW	Robust Minus Weak	営業利益率の高い企業を買い、低い企業を売る	収益性効果
CMA	Conservative Minus Aggressive	総資産の伸び（投資）が控えめな企業を買い、積極的な企業を売る	投資効果
RF	Risk-Free rate	無リスク金利（米国データでは1カ月物の米国短期国債）	超過リターンの基準

作り方：銘柄を時価総額で大小2つに、各指標（B/M、営業利益率、投資）で上位30%・中位40%・下位30%の3つに分け、その組み合わせのポートフォリオのリターン差としてファクターを作ります。データライブラリのファイル名 F-F_Research_Data_5_Factors_2x3 の「2x3」は、この分け方を指しています。
無リスク金利を引かない理由：市場以外の4つは、買いと売りを同額持つロング・ショート（自己金融型）のリターンです。そのため、式（4）の説明のとおり、さらに無リスク金利を差し引くことはしません。
FF3との関係：Fama & French（1993）の3ファクターモデル（FF3）は、市場・SMB・HMLの3つです。FF5は、これに収益性（RMW）と投資（CMA）を加えたものです。2015年の論文は、米国のデータでは、RMWとCMAを加えるとHMLの平均リターンがほぼ説明され、HMLが冗長になると報告しています。

MOM（モメンタム・ファクター）

略語	正式名	何を買い、何を売るか
MOM（UMD、WMLとも）	Momentum（Up Minus Down／Winners Minus Losers）	過去12カ月（直近1カ月を除く）に上昇した銘柄を買い、下落した銘柄を売る

Carhart（1997）がFF3にMOMを加えた4ファクターモデルを使って以来、広く使われているファクターです。直近1カ月を除くのは、短期的な反転（リバーサル）効果と区別するためです。FF5にはMOMが含まれないため、第4章のモデルCでは別に加えています。

本文で使ったモデルの呼び方

呼び方	説明変数	本文での位置づけ
CAPM（Capital Asset Pricing Model）	市場のみ	4-1のモデルA
FF3	市場・SMB・HML	参考
Carhartの4ファクター	FF3＋MOM	参考
FF5	市場・SMB・HML・RMW・CMA	4-1のモデルB
FF5＋MOM（6ファクター）	FF5＋MOM	4-1のモデルC

その他の略語

略語	正式名	意味	主な登場箇所
CAGR	Compound Annual Growth Rate	年率の複利成長率	第1章
SR	Sharpe Ratio	シャープレシオ。超過リターン ÷ その標準偏差	第1章
MaxDD	Maximum Drawdown	最大ドローダウン。高値からの最大下落率	第1章
OLS	Ordinary Least Squares	最小二乗法。回帰係数（α・β）の推定に使う	第3章
HAC	Heteroskedasticity and Autocorrelation Consistent	不均一分散と系列相関に頑健な標準誤差。Newey–West が代表例	第4章
CI	Confidence Interval	信頼区間	第4章・第6章
OOS	Out-of-Sample	推定に使っていない未知の期間	第6章
AR	Appraisal Ratio	アプレイザル・レシオ。α ÷ 残差の標準偏差	第6章
ARP	Alternative Risk Premia	オルタナティブ・リスクプレミアム。バリュー・モメンタム・キャリーなど	第2章・第7章

データの入手先：各ファクターの実データは、Kenneth French のデータライブラリで公開されています。米国のほか、日本を含む地域別の5ファクター（月次は1990年7月から）もあります。日本株の戦略を評価するなら、地域別のファクターを使うのが自然です。

付録B：図3の回帰コード

図3と、第4章の寄与の表を再現するコードです。使用したデータは次の2つです。

FF5：F-F_Research_Data_5_Factors_2x3.csv（Kenneth French データライブラリ、月次、%表示）。本記事では、2022年8月のCRSPデータで作成された版を、GitHub上の同ファイルの複製から取得しました。
MOMとS5M5：Pythonライブラリ linearmodels に同梱された linearmodels.datasets.french（同ライブラリのデータ、2017年3月まで）。

fig3_alpha_models.py

import pandas as pd
import statsmodels.api as sm
from linearmodels.datasets import french

# ① FF5（Kenneth French データライブラリの F-F_Research_Data_5_Factors_2x3.csv、%表示）
raw = pd.read_csv("F-F_Research_Data_5_Factors_2x3.csv", skiprows=3, dtype=str)
raw.columns = ["ym"] + [c.strip() for c in raw.columns[1:]]
raw = raw[raw["ym"].str.strip().str.fullmatch(r"\d{6}")]          # 月次の行だけ残す
ff5 = raw.set_index(pd.PeriodIndex(raw["ym"].str.strip(), freq="M")).drop(columns="ym")
ff5 = ff5.astype(float) / 100

# ② MOM と戦略リターン（linearmodels に同梱された Kenneth French データ、小数表示）
lm = french.load()
lm.index = pd.PeriodIndex(pd.to_datetime(lm["dates"]), freq="M")
d = ff5.join(lm[["Mom", "S5M5"]], how="inner")                      # 1963-07〜2017-03

x = d["S5M5"] - d["RF"]                                             # 戦略の超過リターン
lags = int(4 * (len(d) / 100) ** (2 / 9))                           # Newey-West のラグ（=6）
models = {"A: CAPM": ["Mkt-RF"],
          "B: FF5": ["Mkt-RF", "SMB", "HML", "RMW", "CMA"],
          "C: FF5+MOM": ["Mkt-RF", "SMB", "HML", "RMW", "CMA", "Mom"]}

for name, cols in models.items():
    r = sm.OLS(x, sm.add_constant(d[cols])).fit(cov_type="HAC", cov_kwds={"maxlags": lags})
    a, se = r.params["const"] * 12, r.bse["const"] * 12
    print(f"{name:11s} α={a:6.2%}  95%CI=[{a - 1.96 * se:6.2%}, {a + 1.96 * se:6.2%}]  "
          f"t={r.tvalues['const']:5.2f}  R2={r.rsquared:.2f}")
    if name.startswith("C"):
        # 平均超過リターンの分解（標本内の恒等式）：平均 = α + Σ β × ファクター平均
        contrib = r.params[cols] * d[cols].mean() * 12
        print((pd.DataFrame({"β": r.params[cols], "平均(年率)": d[cols].mean() * 12,
                             "寄与(年率)": contrib})).round(4).to_string())
        print(f"寄与の合計 {contrib.sum():.2%} ＋ α {a:.2%} ＝ 平均超過リターン {x.mean() * 12:.2%}")

出力

A: CAPM     α= 2.88%  95%CI=[ 0.37%,  5.39%]  t= 2.25  R2=0.75
B: FF5      α= 3.60%  95%CI=[ 0.84%,  6.35%]  t= 2.56  R2=0.77
C: FF5+MOM  α=-0.52%  95%CI=[-2.25%,  1.21%]  t=-0.59  R2=0.90
             β  平均(年率)  寄与(年率)
Mkt-RF  1.0599  0.0620  0.0657
SMB    -0.0246  0.0309 -0.0008
HML     0.0333  0.0424  0.0014
RMW     0.0112  0.0312  0.0003
CMA    -0.1860  0.0364 -0.0068
Mom     0.4749  0.0787  0.0374
寄与の合計 9.73% ＋ α -0.52% ＝ 平均超過リターン 9.21%

データの版について：FF5と、MOM・S5M5は、更新時点の異なる版を併用しています。市場と無リスク金利の値は両版で一致することを確認しましたが、Kenneth French の公開データは過去にも改訂されています。最新版のデータで同じ版にそろえて再計算すると、数値はわずかに変わる可能性があります。

You get articles that match your needs
You can efficiently read back useful information
You can use dark theme

What you can do with signing up