市場リスク計測へようこそ！

こんにちは！FRM Part IIまで到達された皆さんなら、リスクが「損失の可能性」であることはすでにご存知でしょう。しかし、ビジネスの現場では「可能性」という言葉だけでは不十分です。私たちはそれを数値として測定する必要があります。本章「市場リスクの測定（Estimating Market Risk Measures）」では、理論的な定義から離れ、リスクを算出するための実践的な「手順」に焦点を当てます。VaR（バリュー・アット・リスク）や期待ショートフォール（ES）の様々な推定手法、そしてモデルの根拠となるデータについて学びます。数学的な内容が多く感じるかもしれませんが、論理的でシンプルなステップに分解していきますので、心配は無用です！

1. 基本：データを選択する

モデルを動かすには、まずデータが必要です。データはリスクという「料理」を作るための「食材」だと考えてください。食材が古かったり、間違っていたりすれば、出来上がる料理も台無しになってしまいます！

データウィンドウとウェイト付け

過去のデータをどれくらいの期間見るべきでしょうか？これをウィンドウと呼びます。
- ロングウィンドウ（長期）：データポイントが多くなるため結果は安定しますが、現在の市場には関係のない「大昔」のデータが含まれてしまう可能性があります。
- ショートウィンドウ（短期）：直近の市場ショックに非常に敏感に反応しますが、結果が「飛び跳ねる」など、ボラティリティが高くなる可能性があります。

ウェイト付け（重み付け）の戦略：
通常、ウィンドウ内のすべての日に等しい重みを与える（等ウェイト）ことが多いです。しかし、指数平滑法（EWMA）を用いて、より新しいイベントに重みを置くことも可能です。
例え：明日の天気を予想する際、3年前の今日より、今日の天気の方がヒントになりますよね？

クイックレビュー：
- 等ウェイト（Equal Weighting）：単純ですが、新しい危機への反応が遅れます。
- 年齢ウェイト（Age Weighting）：新しいデータほど重要視されます。ボラティリティが急上昇した際に、モデルを素早く「目覚めさせる」のに役立ちます。

2. ノンパラメトリック手法：ヒストリカル・シミュレーション（HS）

ヒストリカル・シミュレーションは、最も一般的な「ノンパラメトリック」な手法です。「ノンパラメトリック」とは、データが特定の形状（正規分布など）に従うと仮定しないことを意味します。過去のデータそのものに語らせる手法です。

手順（ステップ・バイ・ステップ）：

1. 過去の収益率の系列を集める（例：過去500日分）。
2. それらの収益率を、最悪の損失から最大の利益へと順位付けする。
3. 95% VaRを求めたい場合、順位付けしたデータの下位5%の地点を見ます。その「境界線」にある値がVaRとなります。

HSのメリットとデメリット：

- メリット：経営層への説明が容易です。複雑な微積分は必要ありません。
- メリット：実際に起こったイベントを使用するため、自然と「ファットテール（極端な事象）」を捉えることができます。
- デメリット：ゴースティング効果。もし250日前に大暴落があり、ウィンドウが250日であれば、翌日にはその暴落がウィンドウから「外れて」しまい、市場が何も変わっていなくてもリスク指標が突然低下してしまいます。
- デメリット：過去と同じことが将来も起こると仮定しています。まだ起こっていないイベントは考慮できません。

3. パラメトリック手法：正規分布

パラメトリック手法では、市場の収益率が特定の数学的分布、通常は正規分布（ベルカーブ）に従うと仮定します。

公式

平均収益率 \( \mu \)、標準偏差 \( \sigma \) のポートフォリオにおいて、信頼水準 \( \alpha \) でのVaRは以下の通りです：
\[ VaR = - (\mu + \sigma \times Z_{\alpha}) \]
（注：VaRは通常、損失を表す正の数として表記されるため、先頭にマイナス符号がつきます）。

覚えておくべき一般的なZスコア：
- 95%信頼水準： \( Z = 1.645 \)
- 99%信頼水準： \( Z = 2.326 \)

「ファットテール」問題

現実の金融収益率は、ほとんどの場合ファットテール（尖度が高い）を持っています。これは、正規分布が予測するよりも極端な損失が発生しやすいことを意味します。
知っていましたか？ もし市場の収益率が完全に「正規分布」に従っていたら、2008年の金融危機は統計的に「起こり得ない」ことになります。正規分布は「極端な事象」を過小評価するため、誤った安心感を与えてしまうリスクがあります。

重要なポイント：パラメトリックモデルは計算が速く簡単ですが、もし誤った分布（ファットテールなデータに対して正規分布など）を選んでしまうと、リスクを危険なほど過小評価することになります。

4. コヒーレントなリスク指標と期待ショートフォール（ES）

リスク指標には良し悪しがあります。「良い」リスク指標（コヒーレント）であるためには、4つの数学的ルールを満たす必要があります。

1. 単調性（Monotonicity）：ポートフォリオAが常にBよりパフォーマンスが悪ければ、Aのリスク指標はB以上でなければならない（常識ですよね！）。
2. 劣加法性（Subadditivity）：(A + B)のリスクは、AのリスクとBのリスクの和以下でなければならない。これは分散投資の利益を反映しています。
3. 正の斉次性（Positive Homogeneity）：ポジションの規模を2倍にすれば、リスクも2倍になる。
4. 並進不変性（Translation Invariance）：ポートフォリオに現金（リスクフリー資産）を追加すれば、その分だけリスクは減るはずである。

VaRの大きな弱点

VaRは常にコヒーレントとは言えません。なぜなら、しばしば劣加法性のテストに失敗するからです。奇妙なケースでは、2つのポートフォリオを組み合わせることで、VaRが逆に増えてしまうことさえあります！これが、規制当局が期待ショートフォール（ES）へと移行してきた大きな理由です。

期待ショートフォール（ES）

VaRが「最悪の日に少なくともいくら失うか？」と問うのに対し、ESは「最悪の日にVaRを超えた場合、平均してどれくらいの損失が予想されるか？」と問います。
- ESはコヒーレントです（常に劣加法性を満たします）。
- ESは単一の点ではなく、分布の「テール（裾）」全体を見ます。
- 数式上、ESは損失がVaRを上回るという条件付きでの、損失の期待値です。

5. 形状の推定：極値理論（EVT）

ヒストリカル・シミュレーションが過去志向すぎ、パラメトリックモデルが「完璧すぎる」なら、その中間はあるのでしょうか？あります。それが極値理論（EVT）です。

EVTは「セミパラメトリック」なアプローチです。分布全体（利益や小さな損失）をモデル化しようとするのではなく、「テール（極端な損失）」だけをモデル化します。
例え：身長や体重は気にせず、40度の高熱が出た時の症状だけを気にする医師を想像してください。それがEVTです。危機という「高熱」だけに焦点を当てます。

一般的なEVTのアプローチ：
1. ブロック最大値法（Block Maxima）：期間ごとの最大の損失をとる（例：毎月の最悪の日）。これは一般極値分布（GEV）に従います。
2. 閾値超過法（POT）：ある「怖い」レベルを超えたすべての損失を見る。これは一般パレート分布（GPD）に従います。

6. まとめと最終アドバイス

圧倒されないでください！これだけは覚えておきましょう：
- ヒストリカル・シミュレーションはシンプルで現実のデータを使いますが、「ゴースティング効果」という弱点があります。
- パラメトリックVaRは優雅ですが、「ファットテール」を見逃しがちです。
- VaRは普及していますが、コヒーレントではありません（劣加法性を満たさない）。
- 期待ショートフォール（ES）はコヒーレントであり、平均的な「テール損失」を教えてくれます。
- EVTは「最悪のシナリオ」をモデル化するための専門的なツールです。

避けるべきよくある間違い：
多くの学生が、VaRは最大の損失額を教えてくれると誤解しています。それは違います！VaRは、最悪X%の日において、少なくとも発生する損失を教えてくれるに過ぎません。VaRの先には、常に「テール（裾）」が存在するのです！

これらの概念を練習し続けてください。モデルの背後にある「なぜ」を理解すれば、「どのように（計算方法）」はずっと管理しやすくなります！