連載：クオンツ資金管理の本質――予測よりも、破綻しない設計を学ぶ(第2回/全3回)
はじめに:思想から装備へ
第1回では、クオンツ運用で生死を決めるのは予測精度ではなく資金管理である、という価値観を整理した。長期複利成長率 $g(f) = \mathbb{E}[\log(1+fR)]$ が $f$ について凹であること、最大DDの回復非対称性、そして執行制約の重要性――このあたりが第1回の骨子だった。
第2回では、この思想を実装に落とす。クオンツ実務者が最低限装備すべき道具を4つのレイヤーに分け、それぞれについて「どう使うか」だけでなく「どのような条件で破綻モードに入るか」まで率直に書く。道具は使い方を知っていても、前提逸脱への感応度を理解していなければ、本番で想定外の挙動を示す。筆者が実運用で経験した、あるいは他者の破綻事例から学んだ典型的な前提崩れのパターンを、可能な限り具体的に書いていきたい。
本稿の対象読者と適用範囲
本稿は、中低頻度(日足〜数時間足)の方向性戦略・システムトレードを主対象とする。すなわち、
- トレード頻度が1日数回〜週次程度
- ホールド期間が数時間〜数週間
- 単一資産または少数資産の方向性予測に基づく戦略
を想定している。高頻度トレード(HFT)、マーケットメイク、デリバティブのヘッジング戦略、超大規模ポートフォリオ運用などは、別の制約と数理が支配的になるため、本稿の結論がそのまま適用できるとは限らない点に留意されたい。
扱うレイヤーは以下の4つである。
| レイヤー | 内容 | 代表的な道具 |
|---|---|---|
| トレード単位のサイジング | 1トレードにいくら張るか | Kelly、固定率、ATRサイジング |
| ドローダウン抑制 | 累積損失への自動ブレーキ | ステップダウン、日次損失制限、連敗停止 |
| 出口設計 | どこで降りるか | テクニカル・ATR・トレーリング・タイム |
| ポートフォリオ最適化 | 戦略・資産にどう配分するか | MVO、最小分散、HRP |
この順番は偶然ではない。内側(1トレード)から外側(ポートフォリオ)へ、リスクが積み上がる順に設計するのが自然である、というのが筆者の立場だ。
1. ポジションサイジング:1トレードにいくら張るか
1.1 フル・ケリーの数学的意義と、実務での扱い方
Kelly基準は、勝率 $p$、ペイオフ比率 $b$(勝ったときの利益 / 負けたときの損失)が既知の場合、長期複利成長率を最大化する投下比率を与える。
$$
f^* = \frac{bp - q}{b} = \frac{bp - (1-p)}{b}
$$
これは前回登場した $g(f) = \mathbb{E}[\log(1+fR)]$ を $f$ について最大化する解であり、「破産確率が漸近的にゼロ、かつ長期成長率が他のどの固定比率よりも高い」という理論的に強い主張を持つ。
ただし、実運用でフル・ケリーをそのまま採用するのは、推定誤差とレジーム変化への感応度が極めて高く、上限参照値として扱う方が安全というのが実務者の一致した見方である。
1.2 Kellyの破綻モード:推定誤差への極端な感度
Kellyの強い結論は、$p$ と $b$ が事前に正確に推定できるという前提に依存している。現実の $p$, $b$ はサンプルからの推定値であり、次のような誤差要因を抱えている。
| 誤差の源泉 | 具体例 |
|---|---|
| サンプルサイズの小ささ | 100トレードの勝率55%は、真の勝率50%でも標準誤差の範囲内で普通に起きる |
| 市場レジームの非定常性 | 過去の勝率がそのまま未来に当てはまる保証はない |
| バックテストのオーバーフィット | パラメータを過去に合わせ込むと、$p$ は実運用で低下する |
| ペイオフ分布の非定常性 | $b$(平均利益/損失比)はテールの一撃で大きく振れる |
勝率を60%と推定したが実際は52%だった、という程度の誤差はクオンツ実務では日常的に発生する。この誤差がKelly比率に与える影響は、線形ではなく、しばしば非線形に拡大する。
簡単な数値例を示す。$b = 1.5$ で勝率の真値が $p = 0.55$ だったとする。
| 推定勝率 | 推定Kelly $f^*$ | 真のKelly | 過大評価の倍率 |
|---|---|---|---|
| 0.55(正確) | 25.0% | 25.0% | 1.0x |
| 0.60(+5%過大) | 33.3% | 25.0% | 1.33x |
| 0.65(+10%過大) | 41.7% | 25.0% | 1.67x |
| 0.70(+15%過大) | 50.0% | 25.0% | 2.00x |
勝率をわずか5〜15%過大推定しただけで、Kellyは真の最適値の1.3〜2倍のポジションを指示する。しかも $g(f)$ は $f^*$ を超えると急速に低下する(超過Kelly領域では、複利成長率は負にさえなりうる)。つまりKellyは、推定が楽観方向に偏ると、複利成長を最大化するどころか毀損する。
1.3 フラクショナル・ケリー:実務的な妥協点
この感応度への現実的対応が、Kellyの一定割合だけを使うフラクショナル・ケリーである。
- ハーフ・ケリー(0.5×):長期成長率はフルKellyの約75%を維持しつつ、ボラティリティを約半分に抑える
- クォーター・ケリー(0.25×):成長率はさらに下がるが、推定誤差に対する耐性が大きく向上する
筆者の経験上、実運用で採用しうるのは概ねクォーター〜ハーフの範囲である。フルKellyは理論上の上限参照値であって、実戦で使う数値ではない、と割り切った方が安全だ。
なお、ハーフ・ケリーが "Kellyの長所をほぼ維持しつつリスクを半減する" という直感的に有利な性質を持つのは偶然ではなく、$g(f)$ が $f^$ 近傍で二次近似できることから導かれる結論である(頂点近傍の放物線で近似できるため、$f^/2$ でも成長率の大部分を保持できる)。
Kellyの挙動をPythonシミュレーションで実感したい読者は、筆者の別記事「投資で破産しないための数学:ケリー基準を理解する」を参照されたい。勝率55%・1:1オッズの設定で、フルKelly($f^*=0.10$)・ハーフKelly・ダブルKellyの長期挙動を5000回のモンテカルロで比較しており、ダブルKellyではほぼ100%の確率で資産が半減すること、最適値を超えると成長率が急速に負へ転じることを視覚的に確認できる。本稿で述べた「推定誤差への高感応」が、シミュレーション上でどの程度の帰結をもたらすかの具体的イメージが得られるはずだ。
1.4 固定率(パーセンテージベース)サイジング:最もシンプルで、最も頑健
実務で最も広く使われ、かつ前提逸脱に最も頑健なのは、トレードあたり資本の1〜2%を最大リスクとする固定率サイジングである。
$$
\text{ポジションサイズ} = \frac{\text{口座残高} \times \text{リスク率}}{\text{ストップまでの距離}}
$$
一見ナイーブだが、この手法には重要な性質がある。
- 連敗中は口座残高が減るので、絶対リスク額も自動的に縮小する(指数的減衰)
- $p$, $b$ の推定に依存しないため、推定誤差の問題が発生しない
- 実装が極めて簡単で、バグが入りにくい
欠点は「市場環境によらず同じリスク率を取る」という点だが、これは次のATRサイジングで解消できる。Kellyの議論に入る前に、まず固定率を完璧に実装してから次に進むというのが、実務では堅実な順序である。
1.5 ATRベースのボラティリティ調整サイジング
固定率サイジングは口座残高に応じてサイズを動かすが、市場のボラティリティには反応しない。これを改善するのがATR(Average True Range)ベースのサイジングである。
$$
\text{サイズ} = \frac{\text{口座残高} \times \text{リスク率}}{k \times \text{ATR}}
$$
ここで $k$ はATR乗数(通常1.5〜3.0程度)。ATRが拡大する(市場が荒れる)と分母が大きくなり、サイズは自動的に縮む。逆に市場が静かなときはサイズが増える。これにより、1トレードあたりのリスクが円建て・ドル建てで一定になるよう正規化される。
長所は明確である。
- 市場レジームによらずリスクを一定水準に保てる
- ストップ幅とサイジングが論理的に一貫する(ストップもATRベースにすれば整合)
- 実装が比較的簡単
一方でATRにも固有の破綻モードがある。
| ATRの破綻モード | 起きる場面 | 帰結 |
|---|---|---|
| 遅行性 | レジーム急変の初動 | ボラ急拡大の最初の数本で、過大なサイズが発生 |
| ジャンプ耐性の限界 | 窓開け、週末ショック、指標発表 | ATRは過去のジャンプを計測できるが、将来のジャンプを防ぐものではない |
| 低ボラ期の過大サイジング | クライシス前の凪 | ATR低値→サイズ拡大→クラッシュで直撃 |
| 単一タイムフレーム依存 | 短期・長期のボラ乖離 | 日足ATRベースで1時間足トレードすると整合性が崩れる |
特に3番目の「低ボラ期の過大サイジング」は筆者が何度も観察してきたパターンだ。ボラティリティが収縮している局面ほど、次のレジーム転換でのドローダウンが深くなりやすい。これはボラ・クラスタリングの反対側の帰結であり、ATRサイジング単体では対応しきれない。レジームフィルターや後述のサーキットブレーカーと組み合わせて初めて十分な頑健性が得られる、というのが実装上の経験則である。
1.6 サイジング手法の比較表
| 手法 | 長所 | 主な破綻モード | 現実的な使い所 |
|---|---|---|---|
| フル・ケリー | 理論的に最大成長率 | 推定誤差・レジーム変化に高感応 | 実戦では上限参照値として利用 |
| フラクショナル・ケリー | 成長を保ちつつDD縮小 | 依然として $p$, $b$ 推定に依存 | クォーター〜ハーフが現実的 |
| 固定率(1〜2%) | 頑健、実装簡単 | ボラ環境に非反応 | ベースライン、常時併用 |
| ATRサイジング | ボラに応じて自動調整 | 遅行性、低ボラ期の過大化、将来ジャンプ | レジームフィルター併用が前提 |
筆者の実装方針としては、ATRサイジングを主軸に、固定率を上限キャップとして併用する二層構造を推奨したい。ATRが低ボラ局面で過大化しないよう、「ATRから計算したサイズが口座残高の3%を超えないこと」という硬い上限を別途設ける、といった実装である。
2. ドローダウン抑制メカニズム:累積損失への自動ブレーキ
トレード単位のサイジングが適切でも、連続損失や相関ショックで累積損失が深くなることは避けられない。ここで必要なのが、累積損失をトリガーとしてシステム全体のリスク量を下げる仕組みである。第1回で触れた「DDの回復非対称性」を実装レベルで防ぐのがこの層だ。
なお、この層の多くは**理論的最適化というより、運用上の安全装置(ヒューリスティック)**として位置づけるのが正確である。純粋クオンツ理論から一意に導出されるものではなく、実運用の経験から「こうしておくと致命傷を避けやすい」という知見の結晶と考えてほしい。
2.1 ステップダウン・スケーリング:負けるほどポジションを絞る
ステップダウン・スケーリングは、ドローダウンの深さに応じて投下リスクを段階的に削減する仕組みである。
| DD水準 | リスク率の縮小 | 意図 |
|---|---|---|
| 0% ~ -5% | 100%(通常運用) | 通常の揺らぎ範囲 |
| -5% ~ -10% | 75% | 黄信号、慎重化 |
| -10% ~ -15% | 50% | 赤信号、サイズ半減 |
| -15%以下 | 25%または停止 | 戦略の前提崩れを疑う |
この仕組みの本質は、「負けているときはリスクを取らない」という非対称性をシステムに組み込むことにある。通常のサイジングは勝ち負けに対称的だが、投資家の資本と心理は対称的ではない(第1回のDD非対称性)。ならばシステムも非対称であるべき、というのが筆者の立場である。
ただし注意点もある。ステップダウンを入れると、DDからの回復局面で利益が取りきれないというトレードオフが発生する。深いDDの後は逆にリターンが偏って発生することがあり(ボラ・クラスタリングの反対側)、その局面でサイズを絞っていると機会損失が大きい。このため、「回復判定」のルール――DDが一定水準まで戻ったらリスク率を元に戻す――を併せて設計することが実務上は必要だ。
2.2 日次損失制限(サーキットブレーカー)
1日の損失が口座残高の一定割合(例:2〜3%)を超えたら、その日の取引を全停止する仕組みである。これは戦略のバグ、異常な相場、システム障害、自身の判断ミスなどによる暴走を止める最後の防衛線として機能する。
実装上は単純だが、次の点に注意する。
- 翌日の再開判定を明確に:翌営業日に自動再開するか、手動で確認してから再開するか
- "含み損"で計算するか"確定損"で計算するか:含み損での停止は保守的だが、含み益が消えただけでも停止しうる
- 複数戦略の合算で計算するか、戦略ごとに計算するか:戦略ごとのサーキットブレーカーは独立性を保てるが、ポートフォリオ全体の暴走は止めにくい
筆者の推奨は、戦略別の停止と、ポートフォリオ合算の停止の両方を二重で入れることである。片方だけだと、どちらかの粒度での暴走を止め損ねる。
2.3 連敗停止:ヒューリスティックな安全装置
連続でN回(3〜5回が一般的)負けたら、戦略を一時停止し、前提条件とレジームを再検証する。これは理論というより運用上の安全装置であり、純クオンツ目線ではかなりヒューリスティックな手法である点を明記しておく。
この装置の実装思想は、「今のレジームで戦略がまだ機能しているか」を定期的に問い直すメタ層を、システム自身に組み込むことにある。連敗は単なる偶然である可能性が高いが、同時にレジーム変化の初期兆候でもありうる。停止して人間またはメタモデルがチェックに入る、という設計は、レジーム変化への自動対応が難しい戦略には特に有効だ。
ただし、勝率の低い戦略では連敗は統計的に頻発することに注意が必要だ。勝率40%(負け率60%)の戦略で、特定の連続5トレードが全敗する確率は $0.6^5 \approx 7.8%$ である。つまり5トレードの塊を100個観測すれば、8個程度は5連敗で埋まる計算になる。連敗停止の閾値は、戦略の勝率分布から逆算して設計すべきである。勝率60%の戦略($0.4^5 \approx 1.0%$)と勝率30%の戦略($0.7^5 \approx 16.8%$)で、同じ「5連敗で停止」を使うのは妥当ではない。
2.4 相関エクスポージャー制限
複数戦略・複数資産を運用している場合、個別のポジションサイズが適切でも、同じ方向・同じファクターに集中してしまうことがある。
典型例は以下のようなパターンだ。
- 複数のトレンドフォロー戦略が、マクロショックで同時にロング・ドルに寄る
- 分散しているはずのエクイティロングが、VIXショックで全部ドローダウンする
- キャリートレードとクレジットロングが、危機時に一緒に落ちる
これに対応するために、次のような制約をポートフォリオ層に置く。
- 単一ファクター(例:ドル、株式、クレジットスプレッド)への合計エクスポージャーに上限を設定
- 同じセクター、同じ地域、同じマクロファクターへの集中度を監視
- 相関が事前定義の閾値を超えたポジションは、合成ポジションとして再集計
この層は実装難易度が高く、「真の分散」と「名目上の分散」を区別する思想そのものが必要になる。第1回で触れた「銘柄数を増やしただけの分散は無力」という主張の、実装レベルでの答えがここにある。ここで効いてくるのが、次章のHRPである。
3. 出口設計:どこで降りるか
エントリーと同じくらい(場合によってはそれ以上に)重要なのが、どこで降りるかである。出口設計は、希望的観測・恐怖・強欲といった人間の感情的バイアスを排除し、規律を保つための中核機能だ。
ストップは単一のものを採用するのではなく、複数の出口ロジックを並列に持たせ、最も先に発動したものでクローズするのが実務的である。以下、4種類のストップについて使い分けを整理する。
3.1 テクニカル・ストップ:論理的整合性を保つ
エントリーの根拠となったテクニカル構造(サポート、トレンドライン、直近安値、MA、需給ゾーンなど)を割り込んだら手仕舞う。
長所:戦略のロジックと一貫している。エントリーの前提が崩れた時点で降りるため、「なぜこのトレードをしたか」という仮説検証が機能する。
破綻モード:市場参加者の多くが同じサポートを見ていると、そこを狙ったストップ狩りの対象になる。特に流動性の薄い時間帯や銘柄では、一瞬のスパイクで刈られて、その後予定通りの方向に動く、という「不利なシナリオ」が頻発する。これを避けるには、テクニカル水準そのものではなく、そこから一定バッファ(ATRの0.5倍など)を離した位置にストップを置くのが実務的である。
3.2 ATRベース・ストップ:ノイズを吸収する
現在のATRの $k$ 倍(通常1.5〜3.0)を損切り幅として使う。
長所:市場の自然なノイズ幅に応じてストップが伸縮する。ボラが高い局面では広く、低い局面では狭くなり、一時的なスパイクでの刈られを減らせる。第1節のATRサイジングと整合的に組めば、ストップ幅とポジションサイズが同じロジックで決まるため、リスクが正規化される。
破綻モード:
- ジャンプに対して後手:窓開け、週末ショック、指標発表など、将来のジャンプそのものはATRでは防げない(ATRは過去のレンジを計測する指標である)
- トレンド初動に後手:ボラ拡大の最初の数本で、広めにストップが置かれ、想定以上の損失幅が発生する
- ATR自体の遅行性:ATR(14)はおよそ14期間前までの情報を引きずるため、レジーム急変時には現実のボラティリティと乖離する
ATRストップを使う場合、週明けギャップや指標発表前はポジションを閉じる、またはサイズを縮めるというルールを別途設けるのが実務的である。「ATRが想定するのは連続的な価格変動であって、不連続な価格変動ではない」という前提を常に意識したい。
3.3 トレーリング・ストップ:利益を逃がさない
価格が利益方向に動いたら、その動きに合わせてストップも追従(トレイル)させる。固定距離(ATRの2倍など)、チャンデリア方式(直近高値からのATR距離)、移動平均ベースなど、いくつかバリエーションがある。
長所:
- 利益を確定しながらトレンドの全段階を捉えられる
- リスク・リワードが1:1を超えた時点でストップを建値に移動させる「ブレークイーブン・ストップ」と組み合わせると、負けトレードを実質的にゼロ損失化できる
- トレンドフォロー戦略と相性が良い
破綻モード:
- レンジ相場で小刻みに刈られる:トレンドが続かずレンジ化した場合、トレーリングは連続的に利益を削る
- トレイル幅の主観性:トレイル幅の設定は恣意的で、最適解は後知恵でしか分からない
- 戻り調整への過敏反応:健全な押し目での軽い戻しでも刈られてしまい、その後本格的なトレンドを取り逃がす
トレーリングはトレンドフォローでは有効だが、平均回帰系戦略では機能しないか有害になりうる。戦略の性格と合わせて採用を判断すべきで、「全戦略にトレーリングを入れれば安全」という発想は誤りである。
3.4 タイムストップ:時間軸を資本として扱う
エントリーから一定時間(N本、N日、N時間)が経過しても想定通り動かなかった場合、損益にかかわらずクローズする。
長所:
- 資金と注意力が「死に体ポジション」に縛られるのを防ぐ
- モメンタム消失の構造的リスクに対応する
- バックテストの再現性が高まる(ホールド期間が固定化される)
破綻モード:遅れて動き出した場合に機会を逃す。特にトレンドフォロー系では、シグナル発生後しばらく経ってから本格的な動きが始まることがあり、タイムストップで刈られると本来取れたはずの利益を逃す。
筆者の推奨は、タイムストップは"利益が出ていない"場合のみ発動する条件を入れることである。時間が経っていても含み益が出ているならホールド継続、含み損が続いているなら撤退、という非対称設計が実務的に有効だ。
3.5 出口戦略の組み合わせ例
実運用では、単一の出口ではなく複数を並列で持たせる。筆者がよく使う組み合わせは以下である。
| 優先順位 | ロジック | 役割 |
|---|---|---|
| 1 | ATRベース・ハード・ストップ | 最大損失の絶対上限(R単位) |
| 2 | テクニカル無効化ストップ | 仮説が崩れた時点での撤退 |
| 3 | トレーリング・ストップ | 利益の保護(利が乗ってから発動) |
| 4 | タイムストップ | モメンタム消失時の撤退 |
最も先に発動したものでクローズする設計である。これにより、一つの出口ロジックの弱点を他がカバーする多層構造になる。
4. ポートフォリオ最適化:MVOの数値的脆弱性とHRP
個別トレードのサイジングとDD抑制が整ったら、次はポートフォリオ層――複数戦略・複数資産にどう資本を配分するかである。ここで長年の標準であったのが、ハリー・マーコウィッツの現代ポートフォリオ理論(MPT)に基づく**平均分散最適化(MVO)である。しかしMVOには深刻な数値的脆弱性があり、近年はこれを回避するHRP(Hierarchical Risk Parity)**が有力な代替案の一つとして注目されている。
4.1 MVOの基本形と、その理論的位置付け
MVOは、期待リターン $\mu$ と共分散行列 $\Sigma$ を入力として、以下のいずれかを解く。
- 指定リスクでリターン最大化
- 指定リターンでリスク最小化
- シャープレシオ最大化(tangency portfolio)
解析解は以下のような形を取る。
$$
w = \lambda \Sigma^{-1} \mu
$$
ここで $\lambda$ は正規化定数である。数学的には一行で書けて明瞭だが、この $\Sigma^{-1}$(共分散行列の逆行列)こそがMVOの構造的な弱点となる。
4.2 MVOの破綻モード(1):逆行列の数値的不安定性
共分散行列 $\Sigma$ の逆行列は、以下の条件下で極めて不安定になる。
- 資産が多い(次元が高い)ほど、推定誤差が累積する
- 資産間の相関が高いと、$\Sigma$ は**悪条件(ill-conditioned)**になる
- サンプルサイズが資産数に対して小さいと、そもそも $\Sigma$ が特異(singular)になりうる
例えば、50資産のポートフォリオで共分散行列を推定するには、50×50 = 1275個のパラメータを推定する必要がある(対称性を考慮しても)。日次データで1年(252日)の観測では、パラメータ数に対してサンプルが足りない。この状態で逆行列を取ると、入力のわずかな誤差が出力で大きく増幅される。
4.3 MVOの破綻モード(2):極端なコーナー解
MVOの数値的不安定性は、実務では次のような形で表れる。
- 一部の資産にウェイトが90%以上集中する
- 別の資産にはマイナス(空売り)ウェイトが大きく付く
- 入力パラメータをわずかに変えただけで、ウェイトが劇的に変わる
- リバランスのたびに、ポートフォリオ構成が大きく入れ替わる
これを**コーナー解(corner solution)**と呼ぶ。数学的には正しい最適解だが、経済的合理性の観点では解釈が難しい。「このモデルを信じて、本当にこのポートフォリオを組みますか?」と問われたら、多くの運用者は慎重になるだろう。
4.4 MVOの破綻モード(3):期待リターンの推定問題
さらに根本的な問題として、MVOは期待リターン $\mu$ の入力を要求するが、資産の期待リターンを正確に推定することは事実上困難である。
ボラティリティや共分散は、(遅行性はあれ)過去データから比較的推定できる。しかし期待リターンは、過去の平均をそのまま使うと極端に不安定な値になり、MVOの出力を大きく振り回す。この問題への対応として、ブラック・リッターマン・モデルが1990年代に提案された(市場均衡ウェイトにベイズ的にビューをブレンド)。これはMVOの極端な挙動を緩和する実務的な発展形だが、逆行列計算の数値的脆弱性そのものは解消していない。
4.5 最小分散ポートフォリオ:リターン推定を捨てる
実務では、MVOの期待リターン推定の問題を回避するため、**最小分散ポートフォリオ(Minimum Variance Portfolio)**が広く使われる。
$$
w_{\text{min var}} = \arg\min_w , w^T \Sigma w \quad \text{s.t.} \quad \sum w_i = 1
$$
これはリターンを一切考慮せず、共分散行列だけを使って分散を最小化する。期待リターンの推定誤差という最大の問題は消えるが、$\Sigma^{-1}$ の数値的不安定性は残る。結果として低ボラ資産への極端な集中が発生しやすい。
4.6 HRP:階層構造を使うアプローチ
このMVOの構造的問題に対する、質的に異なるアプローチがMarcos López de Prado (2016) による**HRP(Hierarchical Risk Parity)**である。HRPの核心は、共分散行列の逆行列を計算せず、階層構造を使って分散を割り当てることにある。
HRPの実装は以下の3ステップで構成される。
Step 1: 階層的クラスタリング(Tree Clustering)
相関行列 $\rho$ から距離行列 $D$ を構築する。
$$
D_{ij} = \sqrt{\frac{1}{2}(1 - \rho_{ij})}
$$
この距離行列に対して階層的クラスタリング(Ward法、Single-linkage など)を適用し、資産の階層ツリーを構築する。これにより、相関的に近い資産がツリー上で近接するようにグループ化される。
Step 2: 準対角化(Quasi-Diagonalization)
クラスタリング結果を使って、共分散行列の行と列を並べ替え、類似資産が対角線近傍に集まるよう再配置する。
Step 3: 再帰的二分法(Recursive Bisection)
ツリーを再帰的に二分割しながら、各分割点で逆ボラティリティに比例してウェイトを配分する。
4.7 HRP:4資産の簡単な例
抽象的な説明だけでは掴みにくいので、4資産の具体例で動作を追ってみる。資産A, B, C, Dのボラティリティと相関構造が以下とする。
| 資産 | ボラティリティ $\sigma$ | 資産ペアの相関 |
|---|---|---|
| A(株式1) | 20% | A-B: 0.8(高相関) |
| B(株式2) | 25% | C-D: 0.7(高相関) |
| C(債券1) | 5% | A-C: 0.1(低相関) |
| D(債券2) | 6% | B-D: 0.1(低相関) |
Step 1(クラスタリング):相関構造から、{A, B}(株式クラスタ)と{C, D}(債券クラスタ)という階層が自然に形成される。
Step 2(準対角化):共分散行列を{A, B, C, D}の順に並べ替え、対角線近傍にクラスタが集まる形にする。
Step 3(再帰的二分法):ツリーを二分割して配分していく。
まず最上位の分割{A,B} vs {C,D}を考える。各クラスタ内で逆分散加重したクラスタ分散を計算する。
クラスタ{A,B}内の逆分散ウェイト:
$$
w_A^{(\text{内部})} = \frac{1/\sigma_A^2}{1/\sigma_A^2 + 1/\sigma_B^2} = \frac{1/0.04}{1/0.04 + 1/0.0625} = \frac{25}{25+16} \approx 0.610
$$
$$
w_B^{(\text{内部})} \approx 0.390
$$
クラスタ{C,D}も同様に $w_C^{(\text{内部})} \approx 0.590$, $w_D^{(\text{内部})} \approx 0.410$。
各クラスタの代表分散 $\tilde{V}$ を(内部ウェイトで加重した)簡易集約分散として計算すると、$\tilde{V}{AB} \gg \tilde{V}{CD}$(株式クラスタは債券クラスタより分散が大きい)。
最上位の配分:
$$
\alpha_{AB} = 1 - \frac{\tilde{V}{AB}}{\tilde{V}{AB} + \tilde{V}_{CD}}
$$
$\tilde{V}{AB}$ が $\tilde{V}{CD}$ より大幅に大きいので、$\alpha_{AB}$ は小さくなる(株式クラスタには少なく、債券クラスタには多く配分される)。仮に $\alpha_{AB} = 0.12$, $\alpha_{CD} = 0.88$ とすると、最終ウェイトは以下のようになる。
| 資産 | 最終ウェイト(概算) |
|---|---|
| A | $0.12 \times 0.610 \approx 7.3%$ |
| B | $0.12 \times 0.390 \approx 4.7%$ |
| C | $0.88 \times 0.590 \approx 51.9%$ |
| D | $0.88 \times 0.410 \approx 36.1%$ |
重要な観察は次の3点である。
- 逆行列を一度も計算していない:すべて比率の掛け算と割り算だけで配分が決まる
- 階層構造を尊重している:先に「株式 vs 債券」という大分類で配分し、その後各クラスタ内で細部を決める
- 高相関資産(A-B, C-D)のペア内では、自然にボラティリティが大きい方のウェイトが下がる
この「大分類→小分類」という二段階のロジックが、MVOが陥る極端なウェイトへの傾斜を構造的に避ける源泉である。
4.8 HRPの理論的主張と、実証研究の評価
原著(López de Prado, 2016)では、HRPはCLA(Critical Line Algorithm、MVOの標準的解法)や最小分散ポートフォリオと比較して、アウトオブサンプルでの分散が低く、モンテカルロシミュレーションでも優位性を示すと報告されている。
ただし、近年の比較研究では、この優位性が常に一貫して観察されるわけではないことも示されている。具体的には、
- 共分散行列のミススペック(推定誤差の構造)に対してHRPも感応度を持つ
- 中程度の次元(資産数)では、従来のリスクベース手法(最小分散、逆分散加重、リスクパリティ)に対して明確な優位が出ないケースがある
- クラスタリングアルゴリズムや距離尺度の選択が結果に影響する
- ユニバース、期間、リバランス頻度によって勝ち負けが入れ替わる
したがって、HRPは「万能の標準解」ではなく、MVOの数値的脆弱性を構造的に回避した有力な代替案の一つと位置づけるのが、現時点での公平な見方である。原著の主張を紹介しつつも、過度な一般化は避けるべきだ。
4.9 HRPの実運用上の注意点
HRPを実運用に組み込む際に、筆者が注意している点を挙げる。
- リターンを使わないため、明確にリターン差がある資産群では機会損失が発生しうる
- クラスタリングアルゴリズムの選択(Ward法、Single-linkage、距離尺度など)がウェイトに影響する
- 相関行列自体の推定誤差はゼロにならない(逆行列ほど増幅されないだけ)
- クラスタ構造がレジーム変化で急変した場合、ツリーの再計算タイミングが自明でない
- 資産数が少ない場合(例:5資産以下)、階層構造を使うメリットが小さく、素朴な等ウェイトや逆ボラ加重との差が縮む
- バックテストの優位性は、ユニバースやリバランス頻度に敏感
HRPは万能の杖ではなく、あくまでMVOの数値的脆弱性を構造的に回避した代替案の一つである、と理解しておくのが健全である。
4.10 アロケーション手法の比較
| 手法 | リターン入力 | 逆行列計算 | 主な破綻モード | 実務上の位置付け |
|---|---|---|---|---|
| MVO | 必要 | あり | コーナー解、数値的不安定 | 教科書的基準、実戦運用は困難 |
| 最小分散 | 不要 | あり | 低ボラ集中、数値的不安定 | MVOより安全だが逆行列問題は残存 |
| Black-Litterman | ビュー必要 | あり | ビュー設計の主観性 | MVOの実務的改良版 |
| IVP(逆分散) | 不要 | なし | 相関を無視 | シンプルで頑健だが分散効果は限定的 |
| リスクパリティ | 不要 | 通常あり | 高相関時のレバレッジ集中 | 機関投資家で広く採用 |
| HRP | 不要 | なし | クラスタ構造の急変、MVOに対し優位が一貫しない報告もある | 有力な代替案の一つ |
5. 第2回のまとめと、第3回の予告
実装の全体像:4層を統合する
ここまで整理した道具を、実装のフローとしてまとめると以下のような4層の多重防御構造になる。
ピラミッドの最下層(基礎)から最上層へ、リスクが積み上がる順に設計する。
- [1] サイジング層:1トレードの許容リスクを決定する。固定率+ATRサイジングを主軸に、Kelly基準は上限参照値(クォーター〜ハーフ)として扱う。
- [2] 出口設計層:ATR・テクニカル・トレーリング・タイムストップを並列させ、最も先に発動したシグナルで決済する多層構造とする。
- [3] ドローダウン抑制層:ステップダウン(負けるほど縮小)、日次損失制限、連敗停止、サーキットブレーカーといった運用上の安全装置で、累積損失からの致命傷を避ける。
- [4] ポートフォリオ層:HRP等による戦略・資産への配分に加え、相関エクスポージャーとファクター集中度の監視で「真の分散」を実現する。
設計思想の核心は以下の2点に集約される。
- 内側から外側へ「多重防御」を構築する:各層が発生させるリスクを、次の外側の層が受け止める構造にする。
- 1層の欠如が破綻確率を急上昇させる:どのレイヤーが欠けても、実運用における堅牢性は著しく損なわれる。
この構造のどの層が欠けても、実運用では破綻確率が上昇する、というのが筆者の経験則である。
各手法の「破綻モード」まとめ
本稿で強調したかったのは、どの手法にも固有の破綻モードがあるという点である。
| 手法 | 主な破綻モード | 破綻を避けるための設計 |
|---|---|---|
| フル・ケリー | $p$, $b$ の推定誤差・レジーム変化への高感応 | フラクショナル(1/4〜1/2)で使う |
| 固定率 | ボラ環境に非反応 | ATRサイジングと併用 |
| ATRサイジング | 遅行性、将来ジャンプ、低ボラ期の過大化 | 絶対上限キャップ、ギャップ前の縮小 |
| ステップダウン | 回復局面の機会損失 | 回復判定ルールを明示 |
| ATRストップ | 将来ジャンプ、ATR自体の遅行 | 指標前・週末前は縮小 or クローズ |
| トレーリング | レンジ相場で小刻みに刈られる | トレンドフォロー限定で使用 |
| MVO | 逆行列の数値的不安定、コーナー解 | HRP等へ移行、または期待値入力を使わない |
| HRP | クラスタ構造の急変、優位性が一貫しない報告 | レジーム監視、他手法とのアンサンブル |
実装では、各手法の長所を使い、短所を他の手法で埋める組み合わせが必要になる。単一手法への過信は、どこかで前提逸脱を引き起こす。
第3回:AIは資金管理をどう変えるか
第3回では、本稿で扱った「静的・ルールベース」な資金管理が、AI・機械学習によってどのように拡張されうるかを論じる予定である。予定している論点は以下の通りだ。
- ボラティリティ予測の進化:GARCH系からDeep Learning、Distance-to-Default × 機械学習によるテールリスクの事前検知
- DRL(深層強化学習)によるエンドツーエンドのサイジング:方向性予測とサイズ決定を統合するDeep Momentum Networks、報酬関数の設計(Sharpe / Sortino / Differential Sharpe / ボラティリティ・スケーリング)
- レジーム検出と動的リスクウェイト:HMM、VAE、Transformerを用いた市場レジームの識別と、それに応じたエクスポージャーの自動調整
- AI資金管理の落とし穴:モデル暴走、未知ショックへの脆弱性、アルゴリズム同質化によるフラッシュクラッシュ的リスク、Human-in-the-loopの必要性
本稿で整理した「破綻モード」の理解は、第3回でAI手法を扱う際にも土台になる。AIは新しい道具を追加するが、古い道具の破綻モードをすべて解決するわけではない。むしろ、AI特有の新しい破綻モードが加わるだけ、という側面もある。このあたりを第3回で率直に書きたい。
おわりに
第1回が「なぜ資金管理が支配的なのか」という価値観の話だったのに対し、第2回は「何をどう実装するか」という実務の話だった。
重要なのは、本稿で挙げた道具のどれもそれ単体では不完全である、という点だ。Kellyは推定誤差に感応し、ATRは低ボラ期で過大化し、MVOは数値的に不安定、トレーリングはレンジで刈られる。しかし組み合わせれば互いの弱点を補える。この組み合わせ設計こそが、クオンツ運用者の腕の見せ所であり、長期生存の鍵となる。
「最強のサイジング手法」や「完璧な出口戦略」を探す旅は、経験的には徒労に終わることが多い。実務的に存在するのは、それぞれの破綻モードを把握した上で、組み合わせで破綻確率を下げていく地道な設計作業だけだ、というのが筆者の立場である。
次回、この地道な設計にAIをどう組み込むか、組み込むべきでないかを掘り下げる。
参考文献・文献紹介
- López de Prado, M. (2016). "Building Diversified Portfolios that Outperform Out-of-Sample." Journal of Portfolio Management, 42(4), 59-69. ―― HRPの原著論文。
- López de Prado, M. (2018). Advances in Financial Machine Learning. Wiley. ―― HRPを含む実装論の教科書。
- Kelly, J. L. (1956). "A New Interpretation of Information Rate." Bell System Technical Journal, 35(4), 917-926. ―― Kelly基準の原点。
- Thorp, E. O. (2006). "The Kelly Criterion in Blackjack, Sports Betting, and the Stock Market." ―― フラクショナル・ケリーの実務的解説。
- tikeda(2025). 「投資で破産しないための数学:ケリー基準を理解する」 ―― Kelly基準のPythonシミュレーションによる実証。過剰賭けの帰結を視覚化。
- Jaeger, M., Krügel, S., Marinelli, D., Papenbrock, J., & Schwendner, P. (2021). "Interpretable Machine Learning for Diversification: Rediscovering the Hierarchical Risk Parity." ―― HRPの比較評価。
- Pfitzinger, J., & Katzke, N. (2019). "A constrained hierarchical risk parity algorithm with cluster-based capital allocation." ―― HRPの拡張と比較研究。
本記事はクオンツトレードにおける資金管理の体系整理を目的とした教育的コンテンツであり、特定の投資手法や戦略を推奨するものではない。実際の運用判断は自己責任でお願いしたい。