機械学習を用いた新たなボラティリティ予測によるポートフォリオ最適化のための知的システム

なぜ賢い投資が重要なのか

株式市場に伴って貯蓄が上下するのを目の当たりにしたことがある人なら、大きな損失は控えめな利益よりも精神的に重く感じられることを知っています。本稿は、個人投資家から大規模機関まで幅広く重要な疑問に取り組みます。すなわち、現代の人工知能を用いて、時間とともに成長するだけでなく、多国にわたる急落にもより強く耐えられるポートフォリオを設計できるか、という問いです。

古典理論からデータを大量に必要とする機械へ

1950年代のハリー・マーコウィッツに遡る伝統的なポートフォリオ理論は、投資家に異なる資産へ資金を分散してリスクとリターンを均衡させることを教えます。過去10年ほどで、ディープラーニングや強化学習に基づくより複雑な手法が金融データから追加の利得を引き出すことを約束してきました。しかしこれらの新しい手法は、解釈が難しく、計算コストが高く、多様な市場で信頼するのが難しいことが多いのです。重要なのは、ほとんどがリターン予測に注力している一方で、プロのリスク管理者が深く気にかけるのはドローダウン―途中での最悪のピークから谷までの損失の大きさ―である点です。

市場の利益ではなく市場の痛みに注目する

著者らは短期リターンの予測から、損失がどれほど深刻になり得るかの予測へ注意を移します。対象は米国やドイツのような先進国市場からブラジルや南アフリカのような新興国市場まで40の株式市場で、1999年から2018年の20年間を分析します。各国・各年について、シャープレシオ（総リスクあたりのリターン）、スターリングレシオ（過去平均損失に対するリターン）、および年間利得を最悪のドローダウンに直接結びつけるカルマー比率といった広く使われるリスク調整パフォーマンス指標を算出します。これらの比率は、リスクとリターンの観点から市場がどれだけ魅力的か、あるいは脆弱かを示す「高」「中」「低」の単純なカテゴリに分類されます。

知的システムの実際の仕組み

システムの裏側は、入念なデータ処理と多クラスのサポートベクターマシン（multi-SVM）分類器という構造化された機械学習モデルで構成されます。まず、チームはブルームバーグからの20年分の株価データをクリーニングし、悪いエントリを除去し、短期の欠損を補填し、小規模市場と大規模市場が公平に比較できるようにスケールを正規化します。次に、各市場の振る舞いを要約する特徴量を設計します。最高値・最安値・平均株価、ボラティリティ、年次リターン、3年ローリングドローダウンなどが含まれます。これらの特徴量は各指標に特化した複数のSVMサブモデルへの入力となり、非線形カーネルを用いてリスクとリターンの複雑な関係性を捉えます。最後に融合ステップでサブモデルの確信度を組み合わせ、特定の国年が高・中・低のリスク調整カテゴリのどれに属するかを単一の判断で決定します。

予測をポートフォリオ選択に変える

この知能が実際に投資家の役に立つかを確かめるため、著者らは長期の歴史的「もしも」実験を行います。各年、彼らはシステムが高品質と判定した市場に割増し、中央値の市場には標準的な配分、低品質の市場には配分を減らす形でグローバルポートフォリオを構築したと仮定します。結果は三つの既知ベンチマークと比較されます：単純な市場モデル（CAPM）、均等加重のグローバルポートフォリオ、そしてファマ＝フレンチの有名な三因子モデル。1999–2018年の期間で、multi-SVMに導かれたポートフォリオは累積リターンが最も高く、最悪損失が最も小さく、シャープレシオも最も強力でした。分類器自体は市場をリスク・リワードのカテゴリに約97.5%の精度で正しく配置し、単一のSVMや基本的なナイーブベイズモデルに比べて明確な改善を示しました。

投資家と将来にとっての意味

専門外の読者にとっての主な要点は、著者らが新たなブラックボックスのトレーディングロボットを作ったわけではないということです。むしろ確立された手法を注意深く組み合わせ、投資家が最も恐れる大きく持続的な損失に焦点を当てています。ドローダウン関連の指標にモデルの重心を置き、構造を比較的透明に保つことで、多くのディープラーニングシステムより説明しやすく、それでいて性能面で競争力のあるグローバルなポートフォリオ配分の実用的な指針を提供します。本研究は、生のリターンを追い求めるのではなく、リスク調整された健全性に基づいて市場を賢く分類することが、より安定して成長し、衝撃を和らげるポートフォリオにつながる可能性があることを示唆しています。これは、荒れる市場をより快適に乗り切るための有益なアプローチと言えるでしょう。

引用: Biswas, T., Dey, A., Mandal, G. et al. Intelligent system for portfolio optimization for novel volatility forecasting using machine learning. Sci Rep 16, 14670 (2026). https://doi.org/10.1038/s41598-026-42813-4

キーワード: ポートフォリオ最適化, 金融のボラティリティ, 金融における機械学習, リスク管理, 世界株式市場