金利期間構造モデルの真髄へようこそ！

こんにちは！FRM Part IIまで到達した皆さんなら、金利のモデリングがまるで天気を予測するようなものだということを既にご存知でしょう。複雑で絶えず変化し、多くの要素が絡み合っています。この章「金利期間構造モデルの真髄：ボラティリティと分布」では、様々な金利モデルの「仕組み」と「理由」を掘り下げます。ここでは、モデルがどのようにボラティリティ（金利の「揺れ」）と分布（将来の金利形状）を扱うのかに焦点を当てます。

最初は少し抽象的だと感じるかもしれませんが、大丈夫です。私たちは単に数学のために数学を学んでいるわけではありません。債券の価格評価やリスク管理のための最適な「ツール」を探しているのです。ステップバイステップで紐解いていきましょう！

1. 基礎知識：正規分布 vs. 対数正規分布

金利がどのように動くかをモデル化する際、将来の可能性をどのような「形状」として捉えるかを決定する必要があります。これが正規分布（Normal）モデルと対数正規分布（Lognormal）モデルの違いです。

正規分布モデル（算術的モデル）

正規分布モデル（Ho-LeeモデルやVasicekモデルなど）では、金利の変化は絶対値（例：1%の上昇）で表現されます。
メリット： 数学的に扱いやすくシンプルです。
デメリット： 理論上、金利がマイナスになり得ます。現実世界（欧州や日本など）ではマイナス金利は見られましたが、多くの伝統的なモデルはこれを想定して設計されていませんでした。

対数正規分布モデル（幾何学的モデル）

対数正規分布モデル（Black-Derman-Toy (BDT) モデルなど）では、金利の対数をモデリングします。
メリット： 金利がマイナスになることはありません。金利がゼロに近づくにつれて、ボラティリティ（絶対値ベース）も減少します。
デメリット： 数学的に計算コストが高かったり解くのが難しかったりすることがあります。また、極端に高い金利の確率を過大評価する可能性があります。

クイック復習：正規 vs. 対数正規
  • 正規： 金利はマイナスになり得る。ベーシスポイント単位でのボラティリティが一定。
  • 対数正規： 金利は常にプラス。ボラティリティは金利水準に比例する。

2. 平均回帰（Mean Reversion）の概念

平均回帰は「輪ゴム」のようなものだと考えてください。金利を本来の「自然な」平均水準から引き離そうとしても、モデルが元の場所へと引き戻します。これは非常に重要な特性です。株価とは異なり、金利は無限に上昇し続けたり、永遠にゼロに留まったりするものではなく、経済状況に応じた長期平均の周辺で推移する傾向があるからです。

金利が平均に戻る速さを回帰速度（通常 \(k\) で表されます）と呼びます。
- \(k\) が大きい場合、「輪ゴム」が非常に強く、金利は素早く平均に戻ります。
- \(k\) がゼロの場合、モデルには平均回帰がありません（Ho-Leeモデルなど）。

記憶のためのアナロジー：
ボウルの中のビー玉を想像してください。どの方向に弾いても、最終的には底に戻ってきます。その「底」が長期平均です。

3. モデルの「ファミリー」を紹介

カリキュラムではいくつかの主要なモデルに焦点を当てています。それぞれの「個性」（特性）に基づいて見ていきましょう。

A. Ho-Leeモデル

最もシンプルな「裁定機会のない（No-Arbitrage）」モデルです。短期金利は正規分布に従い、平均回帰がないと仮定します。
\( dr_t = \theta(t)dt + \sigma dW_t \)
- 重要な洞察： 「ドリフト項 \(\theta(t)\)」を用いることで、今日の期間構造（現在のイールドカーブ）と完全に一致するように調整されています。

B. Vasicekモデル

このモデルは平均回帰を導入しましたが、分布は正規分布のままです。
\( dr_t = k(\theta - r_t)dt + \sigma dW_t \)
- 注意点： 正規分布モデルであるため、金利は依然としてマイナスになり得ます。

C. Cox-Ingersoll-Ross (CIR) モデル

CIRはVasicekモデルのより洗練された兄弟のような存在です。平均回帰がありますが、ボラティリティに「平方根」項を加えています。
\( dr_t = k(\theta - r_t)dt + \sigma \sqrt{r_t} dW_t \)
- 重要な理由： 金利 \(r_t\) がゼロに近づくと、ボラティリティ (\(\sigma \sqrt{r_t}\)) もゼロになります。これにより、金利がマイナスになることを防いでいます。

D. Black-Derman-Toy (BDT) モデル

これは対数正規分布モデルです。債券オプションの価格評価において、実務で非常に人気があります。
- 重要な洞察： 現在のイールドカーブと、市場で観測されるボラティリティ・スマイルの両方に適合させることができます。
- 注意点： BDTは本来の形では平均回帰を持たず、ボラティリティは時間の関数であると仮定しています。

重要ポイントまとめ表

モデル | 分布 | 平均回帰 | マイナス金利の可能性
Ho-Lee | 正規分布 | なし | あり
Vasicek | 正規分布 | あり | あり
CIR | 非心カイ二乗分布 | あり | なし
BDT | 対数正規分布 | なし | なし

4. ボラティリティ構造

モデルの「真髄」において、ボラティリティ (\(\sigma\)) が時間と共にどのように振る舞うかを決定する必要があります。これには2つの主要なアプローチがあります。

1. 定数ボラティリティ： 金利の「揺れ」は現在も10年後も同じであると仮定します。（シンプルですが、現実的でないことが多いです。）
2. 時間依存ボラティリティ： \(\sigma\) が時間と共に変化することを許容します (\(\sigma(t)\))。これにより、市場で取引されているオプション（スワップションやキャップレットなど）の価格と一致させることができます。

よくある間違い：
金利のボラティリティと価格のボラティリティを混同しないでください。債券の満期が長くなると、たとえ金利のボラティリティが一定であっても、その価格は金利変動に対してより敏感になります（デュレーションが高くなるため）！

5. ドリフト項：イールドカーブへの適合

\(\theta\) や \(\theta(t)\) という記号をよく見かけるでしょう。これらはモデルにおけるドリフト（Drift）です。
「均衡（Equilibrium）」モデルでは、ドリフトはしばしば定数です。
「裁定機会のない（No-Arbitrage）」モデルでは、モデルの出力が現在の市場イールドカーブと完全に一致するように、ドリフトを時間と共に変化させます。
GPSの設定を調整して、地図上の「現在地」が今自分が立っている場所と正確に重なるようにする作業だと考えてください。

6. パス依存性と二項・三項木

価格を計算するために、しばしば二項木や三項木を使用します。
- パス非依存： 特定の金利にどのように到達したかは重要ではなく、値は同じになります。私たちが議論したほとんどのモデル（Ho-LeeやVasicekなど）は、再結合ツリーにマッピングした場合、パス非依存です。
- パス依存： その金利が過去にどのような「経路」をたどったかに依存します（例：過去のどこかの時点で金利が5%に達したか等）。これらは評価がはるかに難しく、通常はツリーではなくモンテカルロ・シミュレーションが必要になります。

クイックヒント：再結合ツリー（Recombining Trees）

上昇→下降の動きと下降→上昇の動きが同じ金利ノードに到達する場合、そのツリーは「再結合する」と言います。計算すべきノード数が減るため、数学的に非常に効率的です！Ho-LeeやVasicekは容易に再結合します。BDTも対数スケールを使用するため再結合します。

まとめと重要ポイント

- 分布の選択： 正規分布モデルは計算が容易ですが、マイナス金利を許容します。対数正規分布（BDT）や平方根モデル（CIR）はマイナス金利を防ぎます。
- 平均回帰： これは金利を長期平均へと引き戻す「重力」のようなものです。VasicekやCIRの重要な特徴です。
- キャリブレーション： ドリフト (\(\theta\)) を調整することで、モデルを今日の市場価格に合わせます。
- 目的： 「完璧な」モデルは存在しません。「真髄」とは、直面しているリスク管理のタスクに対し、どのモデルの仮定（分布、ボラティリティ、平均回帰）が最も適しているかを選択することにあります。

ツリーの計算練習を続け、それぞれのモデルの「個性」を忘れないようにしてください。あなたなら大丈夫です！