市場リスク：ノンパラメトリック手法へようこそ！

FRM Part Iの学習を通じて、「正規分布」（あの有名なベルカーブですね）については何度も耳にしたことでしょう。ベルカーブは理論的には美しいものですが、現実の金融市場はもっと複雑です。「ファットテール（裾の重い分布）」や予想外の急変動が頻繁に起こるからです。ノンパラメトリック手法は、こうした複雑な現実に対処するための強力なツールです。特定の形状や数式にデータを当てはめるのではなく、ヒストリカルデータ（過去の実績値）をそのまま活用します。「数学的な推測」ではなく、「過去から学ぶ」アプローチだと考えてください。

1. ヒストリカル・シミュレーション（HS）：基本の考え方

ヒストリカル・シミュレーションは、最もシンプルなノンパラメトリック手法です。「過去に起こったことは、明日起こりうることの良い指標になる」という考えに基づいています。

手順（ステップ・バイ・ステップ）：
1. 現在のポートフォリオの過去の日次リターンデータを収集します（例：過去1,000日分）。
2. その過去のリターンを現在のポートフォリオ価値に適用し、その日の損益（P&L）をシミュレーションします。
3. これらの損益結果を、最悪（最大の損失）から最高（最大の利益）まで並べ替えます。
4. 例えば95% VaRを求める場合、並べ替えた損失データの「下位5%」の地点を見ればよいことになります。

たとえ話：通勤を想像してみてください。明日の通勤時間を予測するために、過去100日間の記録を見返すとします。ここで複雑な「通勤時間の分布」を計算する必要はありませんよね？単に過去の「最も時間がかかったワースト5日」を見るだけで十分です。これがヒストリカル・シミュレーションの考え方です。

HSのメリット：
• 分布の仮定が不要： データが正規分布か、歪んでいるか、ファットテールかといったことを気にする必要がありません。
• シンプルさ： 経営陣に対して非常に説明しやすい手法です。
• 整合性： 一部のパラメトリックモデルよりも、「期待ショートフォール（ES）」を自然に扱えます。

HSのデメリット：
• 「ゴースト・エフェクト」： 2年前に起きた巨大な暴落データが、計算ウィンドウから突然抜け落ちるまでVaRに影響を与え続けます。そのため、現在の市場が穏やかでも、ある日突然VaRが跳ね上がることがあります。
• サンプルサイズの罠： ウィンドウが短すぎると（例：50日）、大きな暴落を見逃すリスクがあります。長すぎると、現在には無関係な古いデータが現在のリスクを希釈してしまいます。

クイック復習： HSは過去のデータをそのまま使います。複雑な数式はなく、データを並べるだけです。

2. 年齢加重ヒストリカル・シミュレーション（BRW法）

基本HSの大きな欠点は、2年前のデータも昨日のデータも等しく扱う点です。しかし実際には、昨日の市場環境の方が今日のリスクに関連性が高いはずです。

Boudoukh, Richardson, and Whitelaw (BRW) アプローチは、データに重み付けをすることでこの問題を解決します。減衰係数 \(\lambda\)（通常0.97〜0.99）を使い、新しいデータに高い重み、古いデータに低い重みを与えます。

公式：
\(i\) 日前のデータの重み \(w(i)\) は以下の通りです：
\(w(i) = \frac{\lambda^{i-1}(1-\lambda)}{1-\lambda^n}\)

なぜ有効なのか：
• 古い外れ値が一度に消えるのではなく、徐々に影響が薄れるため、ゴースト・エフェクトを軽減できます。
• 最近の市場ショックに対してモデルが素早く反応できるようになります。

重要なポイント： 年齢加重により、「遠い過去」よりも「直近の過去」を重視するようになります。

3. ボラティリティ加重ヒストリカル・シミュレーション（Hull-White法）

もし半年前に市場が非常に穏やかで、今日が非常に不安定（ボラティリティが高い）だったらどうでしょう？基本HSを使うと、「穏やか」だった過去のリターンをそのまま使うため、今日のリスクを過小評価してしまいます。HullとWhiteが提案したボラティリティ加重は、過去のリターンを「現在」のボラティリティ水準に合わせて調整します。

ロジック：
ある株が低ボラティリティの日に1%動いたとしたら、ボラティリティが高い日であれば、その動きはもっと大きくなると考えられます。そこで、過去のリターンを「拡大」あるいは「縮小」させます。

スケーリングの手順：
過去 \(t\) 日のリターンを調整するために、以下の式を使います：
\(r_{t}^* = r_{t} \times \left( \frac{\sigma_{T}}{\sigma_{t}} \right)\)
ここで：
• \(r_{t}^*\) は調整後のリターン。
• \(r_{t}\) は過去の実績リターン。
• \(\sigma_{T}\) は現在のボラティリティ（今日）。
• \(\sigma_{t}\) はその過去の日のボラティリティ。

豆知識： この手法では、現在のボラティリティが史上最高水準にある場合、過去の記録にはなかったような大きな損失さえも「シミュレート」することが可能です！

4. フィルタリングされたヒストリカル・シミュレーション（FHS）

名前が難しそうに聞こえるかもしれませんが、FHSは単なる「ハイブリッド」手法です。パラメトリックモデル（GARCHなど）の長所と、ノンパラメトリックモデル（HS）の長所を組み合わせたものです。

プロセス：
1. フィルタリング： 過去のリターンをその日のボラティリティで割って「標準化」します。これにより、ボラティリティの影響を取り除いた「残差」だけが残ります。
2. ブートストラップ： これらの標準化された残差からランダムにサンプリングします。
3. 予測： サンプリングした残差に、（GARCHモデルなどで計算した）将来のボラティリティ予測値を掛け合わせます。
4. 結果： 現在のボラティリティ傾向を反映しつつ、ヒストリカルデータが持つ「正規分布ではない形状（ファットテールなど）」も維持した分布が得られます。

たとえ話： 歌手の録音テープがあるとしましょう。基本HSはテープをそのまま再生することです。FHSは、歌手の声（リターン）を取り出し、背景のノイズや音量（古いボラティリティ）を除去した上で、現代の高性能アンプ（現在のボラティリティ予測）を通して再生するようなものです。

5. 限界と注意点

ノンパラメトリック手法は強力ですが、万能ではありません。学習ツールキットとして以下の比較を覚えておいてください。

避けるべき共通のミス：
• 「過去は未来を映す鏡」の罠： HSは、一度も起こったことがない危機（「ブラックスワン」）を予測することはできません。
• データ要件： ノンパラメトリック手法が信頼性を発揮するには大量のデータが必要です。データが100日分しかない場合、99% VaRは「最も悪い1日」そのものになってしまい、あまり堅牢とは言えません。

クイックまとめ表：
• 基本HS： 簡単だが、ゴースト・エフェクトがあり、現在のトレンドを無視する。
• 年齢加重： 直近のデータを重視することでゴースト・エフェクトを解決。
• ボラティリティ加重： リターンをスケーリングすることでボラティリティの問題を解決。
• FHS： 最も高度。ボラティリティのクラスタリングとファットテールの両方に対応。

6. ブートストラップ法

ブートストラップは、VaRの精度を推定するための統計的なトリックです。1,000日分のサンプルを一度だけ使うのではなく、「復元抽出」を繰り返します。

仕組み：
1,000枚の紙（日次リターン）が入った帽子を想像してください。1枚取り出して記録し、帽子に戻します。これを1,000回繰り返します。同じ「悪い日」を3回引くこともあれば、一度も引かないこともあります。これを数千回繰り返すことで、VaRの推計値がどれだけ変動するかを確認できます。これにより、リスク推定値の標準誤差を理解できるのです。

重要なポイント： ブートストラップは、手元にある特定のヒストリカル・サンプルがどれだけ「運が良かったのか（あるいは悪かったのか）」を検証する手法です。

加重計算の式が難しく見えるかもしれませんが、心配しないでください！FRM試験で最も重要なのは、なぜそれらを使うのか（基本HSの欠点を補うため）、そして調整の方向性（現在のボラティリティが高いときはリターンを拡大するなど）を理解することです。大丈夫、あなたならきっと理解できます！