資産評価へようこそ：ファクターモデル！
皆さん、こんにちは！CM2の学習の中でも、最も実践的なチャプターの一つへようこそ。これまでは個々の資産がどのように振る舞うかを見てきましたが、「なぜグループ単位の株式が連動して動くのか？」「なぜ不況になると特定の株が他の株よりも激しく下落するのか？」と不思議に思ったことはありませんか？ファクターモデル（要因モデル）は、アクチュアリーや投資マネージャーがこうした疑問に答えるために使用するツールです。すべての株式を個別に分析するのではなく、そのリターンの背後にある「力（ファクター）」に着目します。最初は数式が少し難しく見えるかもしれませんが、大丈夫です。一つひとつ丁寧に分解していきましょう！
1. 全体像：なぜファクターモデルを使うのか？
理想の世界であれば、株価が変わる正確な理由をすべて把握できるでしょう。しかし現実には、広範な経済トレンドと企業固有のニュースが複雑に混ざり合っています。ファクターモデルは、これらを切り分けるのに役立ちます。このモデルでは、どんな資産のリターンも、一つ以上の共通ファクター（Common Factors）に対する反応と、少々のランダムノイズ（Random Noise）によって構成されていると考えます。
例え話：海に浮かぶボートを想像してみてください。ボートの動きは「潮の満ち引き」（すべてのボートに影響するファクター）、「風」（別のファクター）、そして「エンジンが動いているか」（企業固有の要素）によって決まります。ファクターモデルは、潮や風がどれだけ影響し、エンジンがどれだけ影響しているのかを測定する助けとなります。
クイックレビュー：重要用語
システマティック・リスク（市場リスク）：市場全体に影響を与えるリスク（例：金利変動）。これは分散投資をしても避けることができません。
個別リスク（固有リスク）：ある一企業に特有のリスク（例：工場の火災）。これは多くの種類の株式を保有することで消し去る（分散する）ことができます。
2. 単一インデックスモデル（マーケットモデル）
リターンをモデル化する最もシンプルな方法は、重要となる要素は「市場全体」の一つだけであると仮定することです。これは一般的にマーケットモデルと呼ばれます。
公式
特定の資産 \( i \) のリターン \( R_i \) は次のように表されます：
\( R_i = \alpha_i + \beta_i R_m + \epsilon_i \)
要素を分解してみましょう：
1. \( R_i \)：資産 \( i \) のリターン。
2. \( \alpha_i \)（アルファ）：切片。市場リターンがゼロの場合に期待されるリターンです。
3. \( \beta_i \)（ベータ）：感応度。市場リターン \( R_m \) が1%変化したときに、その資産のリターンがどれだけ変化するかを示します。
4. \( R_m \)：市場インデックス（FTSE 100のようなもの）のリターン。
5. \( \epsilon_i \)（イプシロン）：誤差項または「ノイズ」。資産 \( i \) 特有の個別リスクを表します。
主な仮定
このモデルを数学的に成り立たせるために、以下の仮定を置きます：
- 異なる二つの株式の誤差項は相関しない： \( Cov(\epsilon_i, \epsilon_j) = 0 \)。
- 誤差項と市場リターンは相関しない： \( Cov(R_m, \epsilon_i) = 0 \)。
- 誤差項の平均（期待値）はゼロである： \( E[\epsilon_i] = 0 \)。
覚え方：ベータは「音量ノブ」だと考えてください。ベータが1.5なら、市場が音量を1上げたとき、あなたの株の音量は1.5上がるということです！
重要ポイント
単一インデックスモデルは、「この株が市場全体に対してどう動くかだけが重要だ」という考え方で世界をシンプルに捉えるモデルです。
3. マルチファクターモデル
時には、一つのファクターだけでは不十分なこともあります。例えば、テック株は食料品店と比べて、市場全体が変わらなくても金利の変化に対して異なる反応を示すかもしれません。ここで登場するのがマルチファクターモデルです。
一般公式
単一の \( \beta R_m \) ではなく、複数の要素を組み合わせます：
\( R_i = \alpha_i + \beta_{i,1}F_1 + \beta_{i,2}F_2 + ... + \beta_{i,k}F_k + \epsilon_i \)
ここで：
- \( F_1, F_2, ... \) はそれぞれ異なるファクター。
- \( \beta_{i,1}, \beta_{i,2}, ... \) はファクター・ローディング（各ファクターに対する株の感応度）です。
マルチファクターモデルの種類
IFoAのカリキュラムでは、「ファクター」が何であるかに基づいて、主に3つのモデルに分類しています：
1. マクロ経済モデル
観測可能な経済データを使用します。一般的なファクターには以下が含まれます：
- インフレ率
- GDP成長率
- 金利の変動
例：航空会社の株は、「原油価格」というファクターに対して高い感応度（ベータ）を持つ可能性があります。
2. ファンダメンタルモデル
企業自身の特性を使用します。一般的なファクターには以下が含まれます：
- 規模（Size）：中小企業は巨大企業とは異なる動きをすることがあります。
- バリュー（Value）：株価を実際の簿価と比較する（P/Eレシオなど）。
- 産業（Industry）：テック企業なのか、銀行なのか。
3. 統計モデル
これらは「ミステリーボックス」のようなものです。高度な数学（主成分分析など）を使用して、過去のデータからパターンを見つけ出します。必ずしも「インフレ」といった名前をファクターに付ける必要はなく、「ファクターAが変動の40%を説明している」といった捉え方をします。
豆知識：ファーマ・フレンチの3ファクターモデルは、市場リスク、規模、バリューを使ってリターンを説明する有名なファンダメンタルモデルです。単一インデックスアプローチを超えた代表的な例です！
重要ポイント
マルチファクターモデルは、一度に複数のリターンの源泉を調べることで、資産のリスクをより詳細な「指紋」のように特定します。
4. ファクターモデルにおける分散投資
これらのモデルの最も重要な用途の一つは、分散投資を理解することです。ファクターモデルを用いて、ポートフォリオのリターンの分散（リスク）を見てみましょう。
株の全分散は二つの部分に分けることができます：
全分散 ＝ システマティック分散 ＋ 個別分散
単一インデックスモデルでは、次のようになります：
\( Var(R_i) = \beta_i^2 Var(R_m) + Var(\epsilon_i) \)
なぜこれが重要なのか？
ポートフォリオに銘柄を増やしていくと：
1. 個別分散（\( \epsilon \) の部分）はどんどん小さくなり、平均するとほぼゼロになります。
2. システマティック分散（\( \beta \) の部分）は消えません。どれだけたくさんの銘柄を買っても、市場全体が暴落すれば、あなたのポートフォリオもその影響を免れることはできません。
よくある間違い：学生は「分散投資をすればすべてのリスクが消える」と勘違いしがちです。覚えておいてください：分散投資で消せるのは個別リスク（\( \epsilon \)）だけです。市場リスク（システマティック・リスク）を消すことはできません。
5. ステップ・バイ・ステップ：期待リターンの計算
試験でファクターモデルが出題されたら、期待リターン \( E[R_i] \) を求める手順は以下の通りです：
ステップ1：定数を特定します。通常、\( \alpha_i \) と \( \beta \) の値が与えられます。
ステップ2：各ファクターの期待値 \( E[F_1], E[F_2] \) などを特定します。
ステップ3： \( E[\epsilon_i] = 0 \) であることを思い出しましょう。ノイズは平均すると打ち消されます！
ステップ4：公式に代入します：
\( E[R_i] = \alpha_i + \beta_{i,1}E[F_1] + \beta_{i,2}E[F_2] \)
例： \( \alpha = 2\% \)、\( \beta = 1.2 \)、市場の期待リターンが \( 10\% \) の場合：
\( E[R] = 2\% + 1.2(10\%) = 14\% \)。
6. まとめと最後のアドバイス
まとめチェックリスト：
- [ ] 単一インデックスモデル：1つのファクター（通常は市場）。リターンは \( \alpha + \beta R_m + \epsilon \) に従う。
- [ ] マルチファクターモデル：複数のファクター（マクロ、ファンダメンタル、または統計的）。
- [ ] ベータ：ファクターに対する感応度を測定。
- [ ] アルファ：ファクターでは説明できないリターン。
- [ ] 分散投資：個別リスク（\( \epsilon \)）を排除するが、市場リスク（\( \beta \)）は残る。
励ましの言葉：このチャプターは、単純な統計学と現実世界のファイナンスをつなぐ架け橋です。「リターン ＝ ベース ＋（感応度 \( \times \) 力）＋ ノイズ」という考え方をマスターすれば、公式はもっと自然に感じられるようになります。分散の分解については、試験でも好まれるテーマなので、しっかり練習しておきましょう。あなたなら絶対に大丈夫です！