時系列分析へようこそ！
こんにちは！CFAレベルIIの定量分析（Quantitative Methods）カリキュラムの中でも、特に実用的なトピックの一つへようこそ。株価チャートやGDPの推移グラフを見たことがあるなら、すでにあなたは時系列（time series）に触れています。この章では、単純な回帰分析の枠を超えて、データが過去の値とどのような関係にあるのかを深く掘り下げていきます。
最初は「数学ばかりで難しそう…」と感じるかもしれませんが、大丈夫です。複雑なモデルをシンプルなストーリーに落とし込んで解説します。この章を終える頃には、トレンドの把握やモデルが「機能していない」サインの見抜き方、そしてアナリストがどのように将来の値を予測しているのかを理解できるようになっているはずです。さあ、始めましょう！
1. 線形トレンドモデルと対数線形トレンドモデル
時系列をモデル化する最もシンプルな方法は、データが時間経過とともに一貫して成長しているかを確認することです。主に2つの「種類」があります。
線形トレンドモデル（Linear Trend Models）
線形トレンドモデルでは、変数が各期間に一定の量（constant amount）ずつ変化すると仮定します。
数式: \(y_t = b_0 + b_1(t) + \epsilon_t\)
例: 毎月ちょうど10人の新規顧客を獲得する小さなコーヒーショップ。顧客が100人でも1,000人でも、翌月には必ずプラス10人となります。
対数線形トレンドモデル（Log-Linear Trend Models）
対数線形トレンドモデルでは、変数が各期間に一定の割合（constant percentage）で変化すると仮定します。これは金融の世界（複利など）ではるかによく見られるモデルです。
数式: \(ln(y_t) = b_0 + b_1(t) + \epsilon_t\)
例: 毎月10%ずつ成長するテック系スタートアップ。会社が大きくなるにつれ、その10%成長が意味する実数（人数や売上）もどんどん増えていきます。
どちらを選ぶべきか？
データを見てみましょう！プロットが一直線なら線形を、曲線を描いて上昇している（指数関数的成長）なら対数線形を使います。線形モデルで「不均一分散（Heteroskedasticity）」（時間が経つにつれて点が線から離れていく現象）が見られる場合、対数線形モデルに変えることで解決することがよくあります。
ワンポイント： 成長がパーセンテージで表されるなら、「Log（対数）」があなたの強い味方です！
重要ポイント： 金額（量）の変化には線形を、パーセンテージ（率）の変化には対数線形を使いましょう。
2. 自己回帰（AR）モデル
明日を予測する最良の方法は、今日を見ることである場合が多いものです。自己回帰（Autoregressive: AR）モデルは、変数の過去の値を使って将来の値を予測します。
1次のARモデル、すなわちAR(1)は次のように表されます。
\(x_t = b_0 + b_1 x_{t-1} + \epsilon_t\)
これは、「今日の値（\(x_t\)）は、定数（\(b_0\)）＋昨日の値の一部（\(b_1 x_{t-1}\)）＋ランダムなノイズ（\(\epsilon_t\)）で決まる」と言っています。
黄金律：共分散定常性（Covariance Stationarity）
ARモデルが有効であるためには、時系列データが共分散定常（Covariance Stationary）である必要があります。これはデータの「安定性」と考えてください。定常であるためには、以下の3つが時間を通じて一定でなければなりません。
1. 期待値（平均）： データが特定の水準を中心に集まっている。
2. 分散： データの「揺れ」やボラティリティが変わらない。
3. 共分散： 異なる期間間の関係性が安定している。
豆知識： データが定常でない場合、t検定などの統計的検定は信頼できなくなります。まるで、飛び跳ねるのをやめない幼児を測定しようとするようなものです！
重要ポイント： ARモデルは過去の値を使って将来を予測しますが、データが「定常（時間に対して安定）」である場合にのみ機能します。
3. ARモデルにおける問題の検出
単純回帰では、ダービン・ワトソン（Durbin-Watson）検定を使って系列相関（Serial Correlation）（誤差が互いに関連している状態）をチェックしました。
重大な警告： ARモデルに対してはダービン・ワトソン検定を使用してはいけません。これはCFA試験の古典的な罠です！代わりに、残差の自己相関（Autocorrelations of the Residuals）を確認します。
ステップ・バイ・ステップ：
1. ARモデルを推定する。
2. 残差（誤差）を算出する。
3. 残差の相関をチェックする。もしゼロと有意に異なる場合は、モデルが「誤って特定（misspecified）」されている（何かが欠けている）証拠です。
重要ポイント： ARモデルにダービン・ワトソン検定は禁物。代わりに残差の自己相関に対してt検定を行いましょう。
4. 平均回帰（Mean Reversion）
定常なARモデルのほとんどは平均回帰水準（Mean Reverting Level）を持っています。これはデータが最終的に戻っていく「ホームベース」のようなものです。
平均回帰水準の式: \(\frac{b_0}{1 - b_1}\)
例え話： 輪ゴムを想像してください。株価を「適正価値」から引き離すことはできますが、モデルは最終的にこの水準へパチンと戻ることを予測します。
重要ポイント： 現在の値が平均回帰水準より高ければモデルは下落を予測し、低ければ上昇を予測します。
5. ランダムウォークと単位根
AR(1)モデルで \(b_1 = 1\) となると何が起こるでしょうか？それはランダムウォーク（Random Walk）と呼ばれます。
\(x_t = x_{t-1} + \epsilon_t\)
ランダムウォークでは、明日を予測する最良の推測値は、単純に「今日の価格」そのものです。これは定常ではありません。なぜなら、時間とともに分散が拡大していくからです（「歩み」はどこへでも彷徨っていってしまいます）。
単位根（Unit Root）
\(b_1 = 1\) の場合、モデルには単位根があると言います。これはモデル化にとって厄介な状態です！これを検定するにはディッキー・フラー（Dickey-Fuller）検定を使います。複雑な数学は気にしなくて大丈夫。単位根が存在すれば、その時系列は「非定常」であると覚えましょう。
単位根をどう修正するか？
一階差分（First-Differencing）という手法を使います。価格をモデル化する代わりに、価格の「変化量」をモデル化するのです。
\(y_t = x_t - x_{t-1}\)
変化量をモデル化することで、非定常な時系列を定常なものに変えることができます。
重要ポイント： 単位根（\(b_1 = 1\)）はデータがランダムウォークであることを意味します。「一階差分」を使って修正しましょう。
6. 季節性（Seasonality）
データに毎年繰り返すパターンはありますか？毎年12月に売上がピークに達する小売店などを想像してください。これが季節性です。
ARモデルで季節性を無視すると、残差に特定のラグで大きな「スパイク（突出）」が現れます（例：四半期データならラグ4、月次データならラグ12）。
解決策： モデルに季節ラグを追加します。四半期データを見ているなら、\(x_t\)を予測するために\(x_{t-4}\)を追加変数として加えます。
重要ポイント： 特定のラグ（4や12など）で有意な自己相関が見られたら季節性を疑い、そのラグをモデルに加えましょう。
7. ARCHモデル（ボラティリティのスペシャリスト）
ARCHは自己回帰条件付き不均一分散（Autoregressive Conditional Heteroskedasticity）の略です。（早口言葉のように5回言ってみてください！）
簡単に言うと、ある期間の誤差の分散が、前の期間の誤差の分散に依存している状態をARCHと呼びます。
例: 今日、株式市場が激しく変動しているなら、明日も激しく変動し続ける可能性が高い、ということです。
ARCH効果が存在する場合、将来の誤差のボラティリティを予測できます。これはオプション価格付けやリスク管理（VaR）に非常に役立ちます。
重要ポイント： ARCHモデルは、高いボラティリティが「クラスター（群れ）」となっていつ発生するかを予測する助けになります。
8. 共統合（Co-integration）：共に動く関係
時々、2つの異なる時系列（似たような石油会社の株価など）が、どちらも非定常（ランダムウォークのように彷徨っている）であるにもかかわらず、互いに寄り添って動くことがあります。これを共統合と呼びます。
例え話： リードをつけた犬と散歩している人を想像してください。飼い主も犬も公園のあちこちを彷徨っています（非定常）が、リードがあるため互いに離れすぎることはありません。この関係が共統合です。
2つの時系列が共統合されていれば、その間で回帰分析を行っても「偽の（spurious）」結果を招くことなく、有効な分析が可能です。
重要ポイント： 共統合とは、2つの非定常な系列が長期的な経済的関係を共有している状態を指します。
学生向け確認チェックリスト
試験本番の前に、以下の質問に答えられるか確認しましょう：
- データは金額の変化（線形）か、割合の変化（対数線形）か？
- その時系列は共分散定常か？（ARモデルの必須条件！）
- モデルに単位根はあるか？（ディッキー・フラー検定で確認。一階差分で修正。）
- 残差はクリーンか？（自己相関をチェック。ダービン・ワトソンは使わない！）
- 季節性はあるか？（ラグ4や12でのスパイクを確認。）
- 彷徨っている2つの系列は共統合しているか？（「リード」の例えを思い出して。）
諦めないでください！ 時系列分析は新しい言語を学ぶようなものです。最初はただの記号の羅列に見えても、すぐに市場のパターンが見えてくるはずです。学習、頑張ってください！