Using Multifactor Models

マルチファクター・モデルへようこそ！

Level Iでは、CAPM（資本資産価格モデル）について学びましたね。CAPMは「重要なのは『市場』というたった一つの要因だけだ」と説くモデルですが、現実の世界はもう少し複雑です。車の速度を予測しようとする場面を想像してみてください。「市場」モデルは、エンジンの大きさだけを見て速度を予測するようなものです。一方、マルチファクター・モデルは、エンジンの大きさ、風速、ドライバーの体重、タイヤの性能など、あらゆる要素を考慮します。これによって、はるかに詳細な状況を把握できるのです！この章では、こうしたモデルを活用して、プロのように投資収益を理解し、リスクを管理する方法を探っていきます。

1. アービトラージ価格理論（APT）

APTは、マルチファクター・モデルの基礎となる理論です。その考え方はいたってシンプル。「効率的な市場では『リスクなしの利益（アービトラージ）』を得ることはできないはずだ」というものです。もし同じリスクで異なる収益率を持つ資産があれば、投資家は安い方を買って高い方を売るため、最終的に価格は均衡します。

市場リスクだけを重視するCAPMとは異なり、APTは複数のシステマティック・リスク（体系的リスク）が存在すると考えます。数式は以下の通りです。

\( E(R_i) = R_f + \beta_{i1}(\lambda_1) + \beta_{i2}(\lambda_2) + ... + \beta_{ik}(\lambda_k) \)

ここで：
\( R_f \) = 無リスク利子率。
\( \beta_{ik} \) = ファクターkに対する資産iの感応度（「ファクター・ローディング」とも呼ばれます）。
\( \lambda_k \) = ファクターkのリスクプレミアム（その特定のリスクを取ることで得られる追加の収益）。

クイックレビュー：APTの3つの前提

1. 収益率はマルチファクター・モデルによって記述される。
2. 固有リスク（個別リスク）を分散排除するのに十分な数の証券が存在する。
3. 十分に分散されたポートフォリオ間にアービトラージの機会は存在しない。

2. マクロ経済ファクター・モデル

マクロ経済ファクター・モデルでは、株式の収益率は経済データの「サプライズ（予想外の動き）」によって決まると仮定します。株価を動かすのは実際のインフレ率そのものではなく、市場の「予想」と「実際の結果」との差なのです。

数式：
\( R_i = E(R_i) + b_{i1}F_1 + b_{i2}F_2 + ... + \epsilon_i \)

ここで：
\( E(R_i) \) = アナリスト予想に基づく期待収益率。
\( F_k \) = ファクターのサプライズ（実績値マイナス予想値）。
\( b_{ik} \) = そのサプライズに対する株式の感応度。
\( \epsilon_i \) = 企業固有のサプライズ（CEOのスキャンダルや工場の火災など）。

例：市場がインフレ率を2%と予想していたのに、実際は3%だった場合、「サプライズ」は+1%となります。もしある株式のインフレに対する感応度（\( b \)）が-2.0であれば、株価は2%下落する（-2.0 \(\times\) 1%のサプライズ）と考えられます。

重要なポイント：マクロ経済モデルでは、ファクターは企業にとって外部的なもの（GDP、金利、インフレなど）です。

3. ファンダメンタル・ファクター・モデル

これらのモデルは、企業内部に目を向けます。P/Eレシオ、時価総額（サイズ）、財務レバレッジといった特性を利用します。マクロ経済モデルとは考え方が少しひっくり返りますので、注意深く確認しましょう！

ファンダメンタル・ファクター・モデルでは：
- 「ベータ（感応度）」は、実際の特性（例：企業のP/Eレシオそのもの）を指します。
- 「ファクター」は、その特性に関連する収益率（例：今日、どれだけバリュー株が市場をアウトパフォームしたか）を指します。

この計算には、通常標準化ベータ（Zスコア）を使用します：
\( \beta_{standardized} = \frac{(Value - Average)}{Standard Deviation} \)

難しそうに感じても大丈夫です！こう覚えておいてください：マクロモデルでは、株価がサプライズにどれだけ反応するかを測定します。ファンダメンタル・モデルでは、株価を説明するために「小型株かどうか」といった属性（特性）に着目するのです。

比較表：マクロ経済モデル vs ファンダメンタル・モデル

マクロ経済モデル：ファクターは変数の「サプライズ」。ファクター感応度（\( \beta \)）は回帰分析で推定する。
ファンダメンタル・モデル：ファクターは特性に対する「収益率」。ファクター感応度（\( \beta \)）は企業データ（P/Eやサイズなど）から直接計算する。

4. 統計的ファクター・モデル

これはデータサイエンティストのためのモデルです！「インフレ」や「P/Eレシオ」のようなファクターを人間が決めるのではなく、コンピュータ（主成分分析などの手法を使用）に過去の収益率データを読み込ませてパターンを見つけさせます。

メリット：データに含まれるあらゆる相関関係を見つけ出せる。
デメリット：ファクターに名前がない。「ファクター1」が重要だとコンピュータが言っても、それが「金利」なのか「消費者心理」なのか分かりません。そのため、顧客に説明するのが非常に難しいのです！

5. リターンとリスクのアトリビューション（要因分析）

ここからがこの章の「だから何なのか？」という部分です。なぜわざわざ計算するのでしょうか？それは、運用成績がどこから来ているのかを突き止めるためです。

A. リターン・アトリビューション

アクティブ・リターンは、ポートフォリオの収益率とベンチマークの差です。これは次のように分解できます：
アクティブ・リターン = ファクター・リターン + 銘柄選択リターン

ファクター・リターン：「小型株」や「バリュー株」へポートフォリオを傾けたことで勝てたのか？
銘柄選択（セキュリティ・セレクション）：そのカテゴリー内で、ベンチマークより優れた個別の銘柄を選べたことで勝てたのか？

B. リスク・アトリビューション

リターンと同様に、アクティブ・リスク（トラッキング・エラーとも呼ばれます）も分解できます：
1. アクティブ・ファクター・リスク：ベンチマークとファクター配分が異なることから生じるリスク（例：インデックスよりも石油価格に対するベータ値が高いなど）。
2. アクティブ・固有リスク：同業他社とは異なる動きをする特定の銘柄を選んだことから生じるリスク。

知っていましたか？多くのプロのファンドマネージャーは「インフォメーション・レシオ」を最大化しようとします。これは「アクティブ・リターン ÷ アクティブ・リスク」で計算され、リスク（独自性）を1単位取ったときにどれだけ追加のリターンが得られたかを測定する指標です。

6. ポートフォリオ構築とマルチファクター・アプローチ

ポートフォリオを構築する際、マネージャーはこれらのモデルを使って特定の要因に対する露出（エクスポージャー）を「狙い撃ち」します。経済が予想以上に成長すると考えるなら、マルチファクター・モデルを使って、GDP成長率への感応度が最も高い銘柄を探すといった戦略が可能です。

ファクター投資：「バリュー」や「低ボラティリティ」といった特定のファクターに連動するポートフォリオを作成することです。これはしばしばスマートベータと呼ばれます。

7. まとめと重要なポイント

1. APTは、複数のシステマティック・リスクが収益率を左右し、アービトラージの不在が価格を均衡させるという理論です。
2. マクロ経済モデルは「経済サプライズ」を利用します。感応度は回帰分析で計算します。
3. ファンダメンタル・モデルは「企業の特性（P/E、サイズなど）」を利用します。感応度は特性そのもの（Zスコア）です。
4. 統計モデルはデータ駆動型ですが、解釈が困難です。
5. アクティブ・リターンは、ファクターへの偏りか、銘柄選択能力のどちらかから生まれます。
6. アクティブ・リスクは、ファクター・リスクと固有リスクに分解できます。

避けるべき共通のミス：試験では、マクロ経済モデルとファンダメンタル・モデルのファクターを混同しないように！マクロならファクターは「サプライズ」、ファンダメンタルならファクターは「特性に対する収益率」です。問題文に「サプライズ」という言葉があれば、マクロモデルを連想しましょう！