多変量実証分析とパフォーマンスの持続性へようこそ！

皆さん、こんにちは！CAIAレベルIIカリキュラムの中でも特に実践的なこの章へようこそ。これまで皆さんは、「このファンドマネージャーは本当に実力があるのか、それとも単に運が良かっただけなのか？」や「投資収益を真に左右している要因は何なのか？」といった疑問を抱いたことはありませんか？もしそうなら、まさにぴったりの場所に来ました。

「多変量（multivariate）」や「実証（empirical）」といった言葉に少し圧倒されても大丈夫です。簡単に言えば、ここでは「複数のデータを一度に観察することでパターンを見つけ出し、過去の成功が将来も再現される可能性が高いかどうかを判断する方法」を学びます。それでは、早速始めましょう！


1. 多変量線形回帰を理解する

レベルIで、皆さんはおそらく単回帰分析（ある事象が別の事象にどう影響するかを見ること）を学習したことでしょう。多変量回帰（Multivariate regression）は、その「レベルアップ版」です。単一の要因を見る代わりに、複数の要因を同時に分析します。

コンセプト：住宅価格を予測しようとしている場面を想像してください。床面積（単変量）だけで判断する人はいないでしょう。床面積、寝室の数、学区、築年数など、複数の要因（多変量）を考慮するはずです。これによって、より明確な全体像が見えてきます。

一般的な数式は以下の通りです：

\( R_i = \alpha + \beta_1 F_1 + \beta_2 F_2 + ... + \beta_n F_n + \epsilon \)

ここで：
• \( R_i \) は投資収益率（被説明変数：Dependent Variable）。
• \( \alpha \) （アルファ）は切片であり、各要因によって説明できない収益を表します。
• \( \beta \) （ベータ）は、各要因に対する収益の感応度を表します。
• \( F \) は説明変数（Independent Variables：市場リスク、規模、バリューなどの要因）。
• \( \epsilon \) （イプシロン）は誤差項（説明できない「ノイズ」やランダムな要素）。

押さえておくべき統計用語

  • 係数 (\( \beta \))：関係の方向性と強さを表します。「金利」の係数が -0.5 であれば、金利が上昇すると投資収益率は低下する傾向があることを意味します。
  • t統計量：その要因が統計的に有意かどうかを示します。経験則として、t統計量の絶対値が2を超えていれば、その要因は重要である可能性が高いと言えます。
  • p値：その結果が偶然に発生した確率です。要因が重要であると確信するためには、低いp値（通常0.05未満）が求められます。
  • 決定係数 (\( R^2 \))：要因が全体の「物語」をどれだけ説明しているかを示します。もし \( R^2 \) が 0.80 であれば、投資収益の変動の80%がモデルによって説明できることを意味します。

クイックヒント：モデルに説明変数を追加すれば、たとえ役に立たない変数であっても、\( R^2 \) はほぼ必ず上昇してしまいます。そのため、不要な変数の追加に対してペナルティを課す修正済み決定係数（Adjusted R-squared）を使用します。

要約：多変量回帰分析は、収益を特定のリスク要因に帰属させるのに役立ちます。これにより、マネージャーが独自の価値（アルファ）を提供しているのか、単に市場の波に乗っているだけ（ベータ）なのかを見極めることができます。


2. 実践的なマルチファクターモデル

オルタナティブ投資の世界では、マネージャーの収益がどこから来ているのかを「分解」するために特定のモデルを使用します。最も有名なのがファーマ・フレンチ（Fama-French）モデルです。

ファーマ・フレンチの3ファクターモデル

このモデルは、株式収益を決定づける以下の3つの要因を示唆しています：
1. 市場リスク（株式リスクプレミアム）：株式市場全体の動き。
2. 規模（SMB - Small Minus Big）：小型株が大型株を長期的にアウトパフォームする傾向。
3. バリュー（HML - High Minus Low）：高い簿価対時価比率（バリュー株）が低い簿価対時価比率（グロース株）をアウトパフォームする傾向。

モデルの拡張

その後、カーハートの4ファクターモデルがモメンタム（UMD - Up Minus Down）を追加しました。これは、上昇した銘柄が上昇し続ける傾向を追跡するものです。さらに最近では、ファーマとフレンチは収益性（Profitability）と投資（Investment）の要因を追加し、5ファクターモデルを提唱しています。

豆知識：過去に「アルファ」を生み出しているとされた多くのマネージャーは、実は小型株やバリュー株に大きく傾斜させた「隠れインデックス運用（Closet Indexing）」をしていたに過ぎませんでした。これらのモデルを使うと、彼らの「スキル」の正体が暴かれてしまうことがよくあります！

重要なポイント：マルチファクターモデルを用いることで、投資家は自分が高い「アルファ」手数料を払っているものが、実は単なる「ファクターベータ」（ETFなどを通じて安価に買える収益）に過ぎないかどうかを判断できます。


3. パフォーマンスの持続性：「ホットハンド効果」

パフォーマンスの持続性（Performance Persistence）とは、勝者は勝ち続け、敗者は負け続けるのかを研究する分野です。完全に効率的な市場であれば、過去のパフォーマンスが将来のパフォーマンスに影響を与えることはないはずです。

持続性の検証方法

CAIAカリキュラムでは、主に以下の2つの方法でこれを確認します：

方法1：コンティンジェンシー・テーブル（勝者・敗者グリッド）

マネージャーを第1期のパフォーマンスに基づいて「勝者」と「敗者」に分け、第2期でどのような結果になったかを確認します。
• WW：第1期で勝者、第2期でも勝者（持続性あり）
• WL：第1期で勝者、第2期では敗者（反転）
• LW：第1期で敗者、第2期では勝者（反転）
• LL：第1期で敗者、第2期でも敗者（持続性あり）

もし WW + LL が WL + LW よりも有意に大きければ、持続性がある証拠と言えます。

方法2：回帰分析

第2期の収益を被説明変数、第1期の収益を説明変数として回帰分析を行います。
\( Return_{t+1} = \alpha + \beta(Return_t) + \epsilon \)

ここで \( \beta \) がプラスで統計的に有意であれば、パフォーマンスが持続することを示唆しています。

よくある間違い：「昨年の勝者」が「今年の勝者」になるとは限りません。研究によれば、持続性はプライベート・エクイティ（PE）には見られることが多い（長期的な運営改善が伴うため）ですが、ヘッジファンドや投資信託で見つけるのは非常に困難であるとされています。


4. 実証分析の落とし穴：生存者バイアス

パフォーマンスの持続性を研究する際、私たちは生存者バイアス（Survivorship Bias）に細心の注意を払わなければなりません。

アナロジー：長寿の秘訣を探したいと想像してください。あなたは老人ホームに行き、100歳の全員にインタビューしました。彼らは皆「毎日ウイスキーを飲んでいる！」と言いました。もしあなたが「ウイスキーこそが長寿の秘訣だ」と結論づけたら、それは生存者バイアスの罠に落ちています。あなたは、ウイスキーを飲んで50歳で亡くなった何千人もの人々にインタビューできていないのですから！

金融の世界では：データベースは、しばしば（パフォーマンスの悪化によって）清算されたファンドを削除します。今日まで「生き残った」ファンドだけを見ると、業界の平均パフォーマンスは実際よりもはるかに良く見えてしまいます。これにより、マネージャーが実際よりも高い持続性を持っているかのように見えてしまうのです。

クイック復習：
• バックフィル・バイアス：新しいファンドがデータベースに登録される際、過去の良いパフォーマンスだけが含まれ、初期の「悪い」年が除外されること。
• セレクション・バイアス（選択バイアス）：運用成績の良いマネージャーだけがデータベースへの報告を選択すること。


まとめチェックリスト

次に進む前に、以下の質問に答えられるか確認しましょう：
• 説明変数と被説明変数の違いは何ですか？ （要因 vs 収益）
• t統計量が2.5であることは何を意味しますか？ （その要因は統計的に有意である可能性が高い）
• 初期のファーマ・フレンチ・モデルの3つのファクターは何ですか？ （市場、規模、バリュー）
• なぜ生存者バイアスによってパフォーマンスが実際より良く見えるのですか？ （失敗して消滅したファンドが無視されるから）

素晴らしいです！ 皆さんはこれで多変量実証分析の核心を理解しました。少し休憩してコーヒーでも飲みながら、これらの概念を自分の中に落とし込んでください。CAIA資格取得まで、また一歩近づきましたよ！