時系列の世界へようこそ！

未来のFRM受験者の皆さん、こんにちは！クオンツ分析セクションで最も重要な章の一つへようこそ。今日は、定常時系列（Stationary Time Series）について掘り下げていきます。株価や金利のチャートを見て、「次はどう動くのか予測できるだろうか？」と考えたことがあるなら、あなたはすでに時系列の考え方に触れていることになります。

最初は少し「数学が難しそう」に感じるかもしれませんが、大丈夫です。時系列とは、単に「時間の経過とともに収集されたデータポイントの連続（日々の株価収益率など）」だと考えてください。私たちの目標は、過去のパターンを見つけ出し、未来を理解することです。それでは、さっそく始めましょう！

1. 時系列とは何か？

時系列とは、連続する時点（通常は日次、月次、四半期などの等間隔）で測定された一連の観測値のことです。FRM試験では、信頼性の高いモデルを構築するために、これらの一連のデータが持つ「特性」を重視します。

2. 定常性の概念

湖を想像してみてください。水が穏やかで、波がある一定の高さに収まっていれば、その状況は予測しやすいですよね。もし巨大な嵐が来て水位が際限なく上昇し始めたら、予測は困難です。定常性（Stationarity）とは、まさにその「穏やかな湖」のような状態を指します。

時系列が共分散定常（Covariance Stationary）（私たちが基準とするもの）であるためには、以下の3つの特定の「ルール」を満たす必要があります。

  1. 平均が一定： 平均値 \( E(Y_t) \) が時間の経過とともに変化しない。
  2. 分散が一定： データの「広がり」やボラティリティ \( Var(Y_t) \) が常に一定である。
  3. 共分散が一定： 2つの観測値（例えば、今日と昨日）の関係性が、特定の時点ではなく、それらの間の「距離（ラグ）」のみに依存する。

なぜこれが重要なのでしょうか？ もし時系列が定常でない場合（例えばトレンドが含まれている場合）、標準的な統計テストの結果は「無意味なもの」になってしまう可能性があります。過去が未来を予測するための信頼できるガイドとなることを保証するために、定常性が必要なのです。

クイックヒント： チャートを見てデータが上方向に「漂流」していたり、振れ幅がどんどん大きくなっている場合、それは定常ではありません。

重要なポイント： 共分散定常とは、平均、分散、自己共分散が時間を通じて安定していることを意味します。

3. ホワイトノイズ：究極のランダム性

ホワイトノイズは、定常プロセスの最も単純な形です。古いテレビの砂嵐を想像してください。あれは完全にランダムです。ホワイトノイズプロセスでは：

  • 平均はゼロ。
  • 分散は一定。
  • 異なる観測値間に相関はゼロ。

モデルの中では、この「ランダムな誤差」項を \( \epsilon_t \) と呼び、予測不可能なシステムへの「ショック」を表します。

4. 自己回帰（AR）モデル

「Auto（自己）」とは「自分自身」を意味します。つまり、自己回帰モデル（Autoregressive model）とは、変数が自分自身の過去の値に回帰されるモデルのことです。

AR(1)モデル

最も一般的なバージョンはAR(1)モデルで、今日の値が昨日の値に依存します：

\( Y_t = \phi_0 + \phi_1 Y_{t-1} + \epsilon_t \)

ここで：
- \( Y_t \) は今日の値
- \( \phi_0 \) は定数（切片）
- \( \phi_1 \) は係数（昨日がどれだけ重要かを示す）
- \( \epsilon_t \) はランダムなショック（ホワイトノイズ）

AR(1)の定常性条件

AR(1)モデルが定常であるためには、係数 \( |\phi_1| \) が1未満でなければなりません。
- \( \phi_1 = 1 \) の場合、「ランダムウォーク」となり（定常ではありません）。
- \( \phi_1 > 1 \) の場合、系列は無限大に発散してしまいます（定常ではありません）。

平均回帰

定常なAR(1)モデルは平均回帰（Mean Reverting）の性質を持ちます。ショックによって価格が押し上げられても、最終的には長期的な平均（平均レベル）に戻るというものです。

平均レベルの公式： \( \mu = \frac{\phi_0}{1 - \phi_1} \)

重要なポイント： ARモデルは過去の「値」を使います。AR(1)が定常であるためには、「傾き」の係数が-1から1の間にある必要があります。

5. 移動平均（MA）モデル

名前に惑わされないでください！これはテクニカル分析のチャートで見かける「移動平均」とは別物です。時系列において、移動平均（MA）モデルとは、今日の値が過去のランダムなショック（誤差）に依存することを意味します。

MA(1)モデル

\( Y_t = \mu + \epsilon_t + \theta_1 \epsilon_{t-1} \)

ここで：
- \( \mu \) は系列の平均。
- \( \epsilon_t \) は今日のショック。
- \( \theta_1 \) は昨日のショックに与えられる重み。

知っていましたか？ MAモデルは、\( \theta_1 \) の値に関わらず、常に定常です。なぜなら、それらは定常なホワイトノイズ項の加重合計に過ぎないからです。

例え話： ARモデルを「価格の記憶」、MAモデルを「ショックの記憶」と考えてみてください。昨日突然のニュースイベントがあった場合、MAモデルはその特定のサプライズが今日どれだけ価格に影響を与え続けているかを計算します。

6. ARMAモデル

過去の値と過去のショックの両方が重要な場合もあります。これらを組み合わせたのがARMA(p, q)モデルです。
- p = AR（過去の値）のラグ数
- q = MA（過去の誤差）のラグ数

例： ARMA(1,1)は以下のようになります：
\( Y_t = \phi_0 + \phi_1 Y_{t-1} + \epsilon_t + \theta_1 \epsilon_{t-1} \)

節約の原則（Parsimony）： FRMの世界では「少ないほど豊か（less is more）」という言葉があります。データをうまく説明できる最も単純なモデルを求めるべきです。ラグを増やしすぎると、モデルが過剰適合（Overfit）してしまい、過去のデータには完璧でも新しいデータには使えなくなってしまいます。

7. モデル選択：AICとBIC

ARMA(1,1)がARMA(2,1)より優れているかどうかを、どう判断すればよいのでしょうか？ここで情報量基準を使います。これらはモデルの「スコア」のようなものです。

  • AIC（赤池情報量基準）
  • BIC（ベイズ情報量基準）

目標： AICまたはBICの値が最も低いモデルを選択することです。

重要な違い： BICはAICよりも「厳格」です。パラメータを追加することに対して、より大きなペナルティを課します。モデルを複雑にしすぎることを心配しているなら、BICがあなたの親友になるでしょう。

覚え方： BIC = Bigger penalty for complexity（複雑さに対してより大きなペナルティ）。

8. 避けるべき一般的な落とし穴

1. ARとMAの混同： ARは \( Y_{t-1} \)（実際のデータ）を使い、MAは \( \epsilon_{t-1} \)（誤差）を使うことを忘れないでください。
2. 定常性のチェック： ARモデルでは常に \( |\phi| < 1 \) かを確認してください。もし \( \phi = 1 \) なら、それは単位根（Unit Root）であり、統計結果は無効になります！
3. ラグの選択： R二乗値が最大のものを選ぶのはやめましょう。変数を追加する「コスト」を考慮しているAICやBICを使ってください。

クイック復習

定常性： 平均、分散、自己共分散が一定であること。
AR(1)： \( Y_t \) は \( Y_{t-1} \) に依存する。\( |\phi_1| < 1 \) なら定常。
MA(1)： \( Y_t \) は \( \epsilon_{t-1} \) に依存する。常に定常。
選択： AICまたはBICが最小のものを選ぶ。
節約： 過剰適合を避けるため、モデルはシンプルに保つ。

お疲れ様でした！時系列は難しい部分もありますが、これらのコアとなる特性とモデル背後の論理に集中すれば、試験対策は万全です。公式の練習を続けて、必ずマスターしてくださいね！