2019年 6月 の投稿一覧

身軽でいることの重要性、あるいはリアル・オプション価値について

こんにちは、毛糸です。

仕事や日常生活でイベントが重なり、猫の手も借りたくなるほど忙しいときには、誰しも「こんなに予定を入れるんじゃなかった!」と後悔することがあるでしょう。

ときには忙しすぎて、何かを犠牲にせざるを得なかったり、予定をズラしてもらうなどしてその場をしのぐこともあります。

もちろん、予定が上手く回っていれば、限りある時間を有効活用できた、と満足できるわけですが、ひとたび歯車が狂うと、いろいろなところでひずみを生じさせます。

やや形式的に表現するなら、将来へのコミットメントは、ハイリスク・ハイリターンである、ということでしょう。

逆に、コミットメントを少なくすること、つまり身軽でいることを徹底していれば、その都度時間の使い方を考えねばならない代わりに、予定に忙殺されることなく過ごすことが出来ます。

身軽でいるということは、意思決定に柔軟性をもたせることができる、と考えることが出来ます。

さて、ビジネスにおいて、意思決定に柔軟性をもたせることは、企業価値を高めることが知られています。

意思決定の柔軟性は「リアル・オプション」と呼ばれ、昨今の激しい経済情勢においては重要な考え方とされています。

将来にコミットしすぎず、身軽でいるということは、自分の時間にリアル・オプション価値をもたせることである、とも考えられます。

もちろん、意思決定に柔軟性をもたせるということは、意思決定の都度かかるコストが余計にかかるということでもありますから、常に良いことであるとは限りません。

しかし、予定を立てすぎないことから生じるリアル・オプション価値を大事にするというのは、日々の暮らしにおいて重要な考え方であるように思います。

(function(b,c,f,g,a,d,e){b.MoshimoAffiliateObject=a;
b[a]=b[a]||function(){arguments.currentScript=c.currentScript
||c.scripts[c.scripts.length-2];(b[a].q=b[a].q||[]).push(arguments)};
c.getElementById(a)||(d=c.createElement(f),d.src=g,
d.id=a,e=c.getElementsByTagName(“body”)[0],e.appendChild(d))})
(window,document,”script”,”//dn.msmstatic.com/site/cardlink/bundle.js”,”msmaflink”);
msmaflink({“n”:”モンテカルロ法によるリアルオプション分析事業計画の戦略的評価(CD-ROM付き)”,”b”:””,”t”:””,”d”:”https://images-fe.ssl-images-amazon.com”,”c_p”:”/images/I”,”p”:[“/411k%2BZfhi8L.jpg”,”/31u4w-ZD%2BGL.jpg”],”u”:{“u”:”https://www.amazon.co.jp/%E3%83%A2%E3%83%B3%E3%83%86%E3%82%AB%E3%83%AB%E3%83%AD%E6%B3%95%E3%81%AB%E3%82%88%E3%82%8B%E3%83%AA%E3%82%A2%E3%83%AB%E3%83%BB%E3%82%AA%E3%83%97%E3%82%B7%E3%83%A7%E3%83%B3%E5%88%86%E6%9E%90%E2%80%95%E4%BA%8B%E6%A5%AD%E8%A8%88%E7%94%BB%E3%81%AE%E6%88%A6%E7%95%A5%E7%9A%84%E8%A9%95%E4%BE%A1-CD-ROM%E4%BB%98%E3%81%8D-%E5%A4%A7%E9%87%8E-%E8%96%AB/dp/4322121802″,”t”:”amazon”,”r_v”:””},”aid”:{“amazon”:”1251300″,”rakuten”:”1249750″,”yahoo”:”1251299″},”eid”:”1MvCB”});

人生の優先順位

こんにちは、毛糸です。

2019年6月19日現在で、このブログも80日ほど毎日更新を続けています。

アウトプットの習慣のなかった私にも、徐々に発信することが当たり前になり、そのハードルも下がってきたように思います。

毎日更新を続けていく中では、仕事で忙しかったり、私生活が慌ただしいときなどは、本を読んだり記事を書いたりに使う時間が思い通りにとれないことも多々あります。

ブログ執筆だけではなく、SNSでの発信活動や勉強会など、対外的なアクティビティが重なったりもして、そんなときには頭の中がぐちゃぐちゃになってしまいます。

そんなときには「人生の優先順位はなにか」を自分に問いかけるようにしています。

目先の利益や近視眼的な行動に陥り、本当に大切にすべきことを見失ってしまっては、本末転倒です。

あれもやらなきゃ、これもやらなきゃと、nice to haveを挙げだせばキリがありません。

しかしそんな忙しい(心を亡くすと書いて忙しい)ときこそ、自分の人生の優先順位は何かということを、きちんと問いかけて見る必要があると思います。

自分の時間も、精神力も、体力も限られた資源です。

それら資源を有意義に、後悔なく活用するためには、忙しい折にこそ「私の人生の最優先はなにか」と問いかけ、本当に大事なことを忘れないようにしたいと思います。

株価リターンが正規分布でなくてもファイナンス理論は成り立ちます!

こんにちは、毛糸です。

先日の記事で、主要地域の株価リターンが正規分布に従わないことを確かめました。
>>日本株式、米国株式、欧州株式、全世界株式の日次リターンが正規分布ではなかった件

 
この記事についてはSNSでもコメントが多く寄せられましたが、この手の「理論と現実は違う!」系の主張(というか批判)は昔からあるようで、中には建設的でない議論に終始するものもあるようです。

参考記事>>分散投資を批判した後の対案がそれ以上に酷い法則-梅屋敷商店街のランダム・ウォーカー(インデックス投資実践記)

今回はファイナンス理論の観点から、正規分布が成り立たない場合にも、既存のファイナンス理論は通用するのだということを説明します。

なお、本記事は以下の書籍の内容を参考にしているので、興味のある方はチェックしてみてください。

 

理論と現実の差は、理論の価値を損なうものではない

下記の記事で述べたとおり、主要地域の株価の日次リターンは、正規分布に従いません。
>>日本株式、米国株式、欧州株式、全世界株式の日次リターンが正規分布ではなかった件

 

投資期間が短い場合の株価リターンは正規分布に従わない、というのは学術的にも古くから指摘されており、また、投資期間が長い場合は正規性を棄却できないとする研究もあります。

ファイナンスの多くの理論研究は、資産収益が正規分布に従うことを仮定しており、正規分布と仮定しているからこそ見つかった性質というのも数多くあります。

しかし、ファイナンスの理論研究の多くは「モデル分析」、すなわち現実の問題の本質的な部分を切り取り抽象化して、他の部分は削ぎ落とした世界で成り立つ性質を調べる、というものです。

したがって、正規分布という仮定それ自体が、ある種の「捨象」であり、正規分布であることが本質的に重要でないことも多くあります。

仮に現実の株価リターンが正規分布でなくとも、ファイナンス理論の得た洞察が揺らぐものではありませんし、もし正規分布という過程によって揺らぐような理論を利用したいのであれば、自ら理論を修正すれば良いだけの話です。
>>理論・モデルの意義と、理論と現実の差異を知ったあとにとるべき行動

 

リターンが正規分布に従わない場合の平均分散分析

ファイナンスの標準的モデルが正規分布を使っているといっても、正規分布以外の分布の可能性を一切捨てているわけではなく、正規分布以外の分布で成り立つ命題を多くの研究者が探求しています。

投資理論においては、収益の平均(リターン)と分散(標準偏差、リスク)の情報を基に最適なポートフォリオを探求するという研究が、1950年台のマーコウィッツの研究以後、活発に調査されてきました。

このマーコウィッツの平均分散分析は、ノーベル経済学賞の受賞理由にもなり、昨今話題になっているロボアドバイザーの技術的根拠、さらには投資の王道「分散投資」の理論的裏付けにもなっています。

WEALTHNAVI(ウェルスナビ)

平均分散分析が成り立つためには、リターンが正規分布にしたがう、というのが十分条件になっています。

つまり、正規分布ならば平均分散分析が成り立つ、ということです。

現実には「正規分布ならば」が成り立っていませんので、平均分散分析が成り立つかはわかりません。

この点をもって「前提が破綻している!理論は不完全だ!」というのはあまりにも非論理的です。

正規分布でなくても、平均分散分析を成り立たせるような、別の十分条件があるかもしれないからです。

事実、その後の意欲的な研究により、リターンが正規分布でなくとも、楕円分布族というクラスに属していれば、平均分散分析(と同様の分析)が行えることがわかっています。

楕円分布族というのは、平たく言うとを横に輪切りにしたときの切り口が楕円(正規分布は正円です)になるような分布のことで、正規分布の他に、対称安定パレート分布t分布、分散混合の混合正規分布などがあります。

株価リターンがこれら分布に従えば、ポートフォリオのリターンも楕円分布に従うことがわかっています。

このとき、ある投資家は資産リターンが正規分布だと思い、別の投資家は安定分布だと思っていたとしても、パラメタが同じなら平均分散分析は成り立つちます。

ややテクニカルな話になりましたが、平均分散分析や分散投資という理論は、リターンが正規分布に従うという仮定でなくとも、本質的な部分は変わることなく成り立つということです。

まとめ

株価リターンが正規分布に従わないことがわかりましたが、それがファイナンス理論の破綻を意味するものではありません。
 
事実、リターンが正規分布に従わない場合にも、平均分散分析と同様の結論が得られます。
 

 

 

 

ブートストラップ法の概要と株価リターン分布への応用

こんにちは、毛糸です。

先日の記事で、株価の日次リターンが正規分布に従わないことを確認しました。
>>日本株式、米国株式、欧州株式、全世界株式の日次リターンが正規分布ではなかった件


本ブログでたびたび登場する投資シミュレーションプログラムは、リターンが正規分布に従うと仮定した場合の将来予測ツールなので、正規分布に従わないことがわかった今、何らかの改善をしなくてはなりません。
>>「投資シミュレーションプログラム」サマリー


本記事では改善のための手法として考えている「ブートストラップ法」について解説し、ブートストラップ法を株価リターン分布の推定にどう利用できるかを説明します。

なお、本記事は下記サイトの内容を参考にしています。
>>Rで「ブーツ」(PDFリンク

ブートストラップ法とはデータを無作為抽出し推定に使う手法

あるデータがよく知られた確率分布から発生していると仮定して行う統計分析を「パラメトリック法」と呼びます。
投資シミュレーションプログラムは株価リターンが正規分布に従うと仮定しているため、「パラメトリック法」による分析です。
>>「投資シミュレーションプログラム」サマリー
しかし、データがよく知られた確率分布から発生しているとはみなせない場合には、無理やり何らかの確率分布に当てはめると、誤った結論を導くことになります。
したがって、あらかじめ確率分布を特定化せずに、確率分布を推定する方法を考えなければなりません。
その方法の一つが「ブートストラップ法(ブーツストラップ法)」です。
ブートストラップ法は、すでに得られているデータから無作為抽出を繰り返し、それを新たなデータとみなすことにより、確率分布や密度関数の推定を行ったり、標本平均や標準偏差といった統計量を計算する手法のことです。
ブートストラップ法は「データはこの確率分布から発生しているはずだ」という前提をおかず、「データをありのままに利用する」という考え方に基づいており、このような統計手法を「ノンパラメトリック法」といいます(厳密には、パラメトリックなブートストラップ法もあります)。
また、データをランダムに利用するという意味で、モンテカルロ法の一種とも言えます。

株価リターンにブートストラップ法を適用する

ブートストラップ法によれば、株価リターンのデータから、無作為にデータを抽出し、新たなデータとして扱うことになります。

これにより、リターンが正規分布に従うと仮定できなくても、実際の株価リターンデータを乱数のように用いて、統計的・確率論的な分析が可能になります。

実際に、日本株式のリターンを使って、分析を行ってみましょう。

まず、下記の記事を参考に、日本株式のリターンのデータを読み込みます。
>>ファーマ-フレンチの3ファクターモデルのデータを入手する方法

#csvデータの読み込み
JP <- read.csv("Japan_3_Factors_Daily.csv", skip=5)
#時系列データとして加工
JP_mkt<-ts(JP$Mkt.RF+JP$RF,start=JP$X[1])/100

日本株の日次リターンの統計量を求めてみます。

#平均
m=mean(JP_mkt)
#標準偏差
s=sd(JP_mkt)

library(moments)
#歪度:正規分布が0
skewness(JP_mkt)
skewness(rnorm(10000,m,s))
#尖度:正規分布が3
kurtosis(JP_mkt)
kurtosis(rnorm(10000,m,s))

株価リターンと同じ平均、標準偏差をもつ正規分布より、尖度はかなり大きな値になっていることがわかります。

データが正規分布に従うかを調べるための、コルモゴロフ・スミルノフ検定も行っていますが、「正規分布に従う」という帰無仮説は棄却され、株価リターンは正規分布ではないと結論付けられます。

#コルモゴロフ・スミルノフ検定
ks.test(JP_mkt, "pnorm", mean=m, sd=s)

ヒストグラムを正規分布と比較してみます。実際の株価リターンデータと、同じ平均、標準偏差の正規分布の密度関数を描きます。実際のデータのほうが、左右の裾が厚い感じがします。

hist(JP_mkt,freq = FALSE,ylim=c(0,30))
curve(dnorm(x,m,s),add=TRUE,col="red")

株価リターンにブートストラップ法を適用してみます。株価リターンから、無作為に10000個のサンプルを抽出し、ヒストグラムを描きます。
#ブートストラップ法

bs<-sample(JP_mkt,10000,replace=T)
hist(bs,freq = FALSE)

ブートストラップ法で得たサンプルを使って、損失確率を計算し、正規分布の場合と比較してみましょう。

#損失確率ブートストラップ法
length(bs[bs<0])/length(bs)
#損失確率正規分布
pnorm(0,m,s)

ブートストラップ法で得たサンプルから計算した損失確率は49.2%、正規分布の場合は49.5%でしたので、実際のデータのほうがやや損失が出にくい(利益が出やすい)分布であることがわかりました。

損失確率を求めるくらいであれば、データをそのまま使えばよいので、ブートストラップ法を適用する必要もありませんが、より複雑な分析をするときには、ブートストラップ法は強力なツールになります。

まとめ

ブートストラップ法の概要と、株価リターン分析への応用可能性について説明しました。

実際の株価リターンは、理論で前提とするような正規分布ではありませんが、だからといって理論の価値が損なわれるわけではありません。

正規分布との差異をきちんと把握し、必要ならば適切に対処できることが大事です。
>>理論・モデルの意義と、理論と現実の差異を知ったあとにとるべき行動

【投信定点観測】14週目|インデックス、ロボアドバイザー、アクティブファンドに積立投資

こんにちは、毛糸です。

【投信定点観測】2019年6月第3週(スタートから14週目)の損益の報告です。

今週末における損益率は0.21%(年率0.52%)です。

損益状況

商品ごとの含み損益率は以下のようになりました。【投信定点観測】開始から14週間経過時の含み損益率は0.21%(年率換算で0.52%)で、先週から1.02%のプラスです。

インデックス投資信託の振り返り

今週は全インデックスでプラスリターンとなりました。

アメリカとイランの対立に起因するホルムズ海峡の緊張などもありましたが、米国のタイメキシコ関税の発動見送りなどを受けて、金融市場は歓迎ムードです。

REITはかなり盛り上がりを見せており、J-REIT、G-REITがポートフォリオ全体の収益を押し上げています。

また、新興国株式、新興国債券が高パフォーマンスで、週次で1.5%程度の上昇でした。

先週、投資信託を用いた分散投資において外国債券は組み入れるべきか?という話題を取り上げましたが、「外国債券を不要とする論拠は現実に成り立っていない可能性が高く、分散投資の観点から組み入れるべき」という結論を得ました。
>>外国債券は投資に値するか?分散投資、期待リターン、金利平価からの考察

通貨と金利を巡る国際投資の理論に関しては、下記書籍に解説がありますので、是非読んでみてください。経験や思い込みではない「学術的な」見地から投資判断の材料が得られます。

ロボアドバイザーの振り返り:WealthNavi(ウェルスナビ)盛り返す

ロボアドバイザーのWealthNavi(ウェルスナビ)は今週+0.26%(含み損益-0.72%)、THEO(テオ)は今週+0.94%(含み損益-0.86%)、でした。

【投信定点観測】ではインデックス投信に8銘柄、ロボアドバイザーに2銘柄、アクティブファンドに3銘柄の計13銘柄に投資をしています。

ポートフォリオ全体を加えた全14銘柄の現時点の含み損益をランキングにすると、WealthNaviは11位、THEOは12位と、やや残念な結果になっています。

ロボアドバイザーも基本的にはETFを用いた分散投資を行っているはずですので、おおよそランキングの中位に位置すると考えていたのですが、実際には下の方です。

ロボアドバイザーのリターンの特性ついては、もうすこし研究が必要そうですね。

▼ロボアドバイザーTHEO(テオ)は登録はこちらから!
THEO

▼ロボアドバイザーWealthNavi(ウェルスナビ)の登録はこちらから!

WEALTHNAVI(ウェルスナビ)

アクティブファンドの振り返り:ひふみとTOPIXの差がひらく

日本株式に投資するアクティブファンドであるひふみ投信と、日本株インデックスの差が開き始めました。

TOPIXの週次騰落率が+0.88%である一方、ひふみは1.74%と倍以上のリターンを獲得しています。

ひふみの対TOPIX日次勝率は統計的に優位に1/2を超えていますが、勝った場合の「勝ち幅」についても、比較的大きい印象を抱きます。
>>ひふみ投信の対TOPIXの勝率を調べてみたら、統計的に有意に1/2より大きかった件

まとめ

【投信定点観測】を始めて14週、ポートフォリオの含み益がプラスに浮上しました。

長期投資は、短期的には勝って負けてを繰り返しながらも、長期的には経済の成長とともにリターンを積み重ねていくものです。

引き続き、投資信託による「コツコツ」積立投資で、安定的な資産形成を目指していきます。

引き続き積立投資の状況をリポートして参りますので、もしよろしければSNSでのシェアよろしくお願い致します!

理論・モデルの意義と、理論と現実の差異を知ったあとにとるべき行動

こんにちは、毛糸です。

先日の記事で、主要な株価指数から計算する日次リターンが、正規分布に従わないことを確かめました。
>>日本株式、米国株式、欧州株式、全世界株式の日次リターンが正規分布ではなかった件

リターンが正規分布に従うというのは、ファイナンス(金融工学)においてしばしば仮定されることですが、現実には成り立っていないということです。

この記事を見て「ファイナンス理論は嘘だった!」と受け取る方もいたようです。

しかし、このような態度は学術的に価値あるものではないように思います。

本記事では「リターンは正規分布でない」とわかったあとに我々が考えるべきことは何か、ファイナンスの数理モデルにおいて正規分布を仮定していたのにはどういう意味があったのかということについて考えてみたいと思います。

正規分布の仮定と現実の分布の差異

ファイナンス理論ではしばしば、資産価格のリターンは正規分布に従うと仮定されます。

分散投資の理論的根拠とも言われるマーコウィッツの平均分散分析や、シャープらのCAPM(資本資産価格モデル)も、リターンが正規分布に従うときに成り立つ命題です。

また、ファイナンスの数理分析が広がる契機となったブラック・ショールズモデルも、資産の瞬間的な収益率が正規分布に従うという性質を持ちます。

マートンの最適ポートフォリオ理論も、ブラック・ショールズモデルと同様、瞬間的な収益率が正規分布に従うような資産を考えるときにエレガントな結果が得られることがわかっています。

このように、「リターンが正規分布に従う」というのは、教科書的なファイナンスの世界ではスタンダードな仮定であり、その前提を基に膨大な研究成果が蓄積されています。

ところが、下記記事で分析している通り、主要な株価指数の日次リターンは、正規分布に従っていません。
>>日本株式、米国株式、欧州株式、全世界株式の日次リターンが正規分布ではなかった件

 

理論の前提が現実を捉えきれていないというこの状況を「理論の敗北」と捉える人もいるでしょう。

しかし、そういった考え方は果たして適切なのでしょうか。

数理モデルを考える意味とは

この世の現象を完全に説明できる「万能の理論」などというものはありません。

縮尺1:1の地図は役に立たない

というのは、数理モデルを扱うを行う人がよく使う格言ですが、現実を捨象し分析に関係ある部分を抽象化して考える「モデル分析」を行う場合には、どうしても現実と不整合な部分が出てこざるを得ません。

ファイナンスにおける正規分布の仮定も、こうした「抽象化」の産物です。

つまり、現実にはリターンが正規分布に従っていないことはわかっているけれども、ファイナンスにおいて重要な意味をもつ「リスク」に関する洞察が得られやすく、数学的にも扱いやすいため、正規分布を仮定しているのだということです。

分析したい対象によって、捨象すべき部分は思い切って捨て去る、そうすることでシャープな結論が得られ、世界を理解することにつながります。

リターンが正規分布に従わないという現実はたしかにありますが、リターンの分布という特徴を敢えて捨象することで、ファイナンスは多くの発見を生み出してきたということです。

理論の前提が現実とが整合していなくとも、分析対象について良い考察が得られれば価値がある。

これが科学的態度です。

理論が現実と違うとわかった私たちが、このあと考えるべきこと

リターンの正規性という理論の前提は、現実には成り立っていない。

それを知った私たちは、その後どんな態度をとるべきでしょうか。

間違っても「理論の前提がおかしい!既存理論は無意味だった!」と吹聴してはいけません。

理論はあくまで分析に必要なもののみをすくい取り、関係ない部分を捨象しているので、モデルと現実が乖離するのは当たり前です。

悲しいことに、投資家の間では、過去何度も、こうした建設的でない批判が繰り返されてきたようです。
参考記事>>分散投資を批判した後の対案がそれ以上に酷い法則-梅屋敷商店街のランダム・ウォーカー(インデックス投資実践記)

現実とモデルが違うなんてことはみんなわかっていて、わかっていてなお有用だから、使われているわけです。

理論と現実の差異に気づいたあとに取るべきスタンスは

  1. 理論と現実の差を受け入れ、単純化した世界(モデル)で成り立つ命題を受け入れる
  2. 理論と現実の差を埋めるような、新たな手法やモデルを開発する
のいずれかであると私は考えています。

もし標準的なモデルが自分の分析において不都合なら、自分に必要なモデルを自分で作ればいいだけの話です。

事実、多くの研究者が、資産リターンが正規分布に従わない場合に成り立つ定理をたくさん発見しています。
たとえば下記の書籍では、資産リターンが正規分布に従わない場合においても、平均分散分析やCAPMがなお成立することを証明しており、リターンが正規分布に従わない場合にも分散投資は意味のある投資手法であることがわかります。

(function(b,c,f,g,a,d,e){b.MoshimoAffiliateObject=a;
b[a]=b[a]||function(){arguments.currentScript=c.currentScript
||c.scripts[c.scripts.length-2];(b[a].q=b[a].q||[]).push(arguments)};
c.getElementById(a)||(d=c.createElement(f),d.src=g,
d.id=a,e=c.getElementsByTagName(“body”)[0],e.appendChild(d))})
(window,document,”script”,”//dn.msmstatic.com/site/cardlink/bundle.js”,”msmaflink”);
msmaflink({“n”:”金融経済学の基礎 (ファイナンス講座)”,”b”:””,”t”:””,”d”:”https://images-fe.ssl-images-amazon.com”,”c_p”:”/images/I”,”p”:[“/51j7faeOtGL.jpg”,”/51j7faeOtGL.jpg”],”u”:{“u”:”https://www.amazon.co.jp/%E9%87%91%E8%9E%8D%E7%B5%8C%E6%B8%88%E5%AD%A6%E3%81%AE%E5%9F%BA%E7%A4%8E-%E3%83%95%E3%82%A1%E3%82%A4%E3%83%8A%E3%83%B3%E3%82%B9%E8%AC%9B%E5%BA%A7-%E6%B1%A0%E7%94%B0-%E6%98%8C%E5%B9%B8/dp/4254545525″,”t”:”amazon”,”r_v”:””},”aid”:{“amazon”:”1251300″,”rakuten”:”1249750″,”yahoo”:”1251299″},”eid”:”JJh4M”});

理論と現実の(あって当たり前の)差異について、批判するのではなく、理論の価値を認識し、必要なら自分でよりよい理論を構築することが、社会的に意味のある態度だと思います。

まとめ

ファイナンス理論で仮定される「リターンの正規性」は、実際には成り立っていません。

しかしこれは「理論の敗北」ではありません。

理論は、現実の問題の本質的な部分を抽象化して取り出し、その他の部分はきっぱり単純化することで、深い洞察を得ており、「リターンが正規分布に従う」という仮定も、こうした単純化の一環です。

理論と現実が異なっていると気づいたなら、その差異を受け入れるか、より現実的なモデルを自分で作ってみるのが、社会的に意義ある態度です。

日本株式、米国株式、欧州株式、全世界株式の日次リターンが正規分布ではなかった件

こんにちは、毛糸です。

先日、ファーマ−フレンチの3ファクターモデルのデータが無料で手に入るという記事を書きました。
>>ファーマ-フレンチの3ファクターモデルのデータを入手する方法


ここで手に入るデータには、市場ポートフォリオのリターンデータが含まれています。

本記事ではこの市場ポートフォリオのリターンデータが、ファイナンスでしばしば仮定される「正規分布」に従わないことを確かめてみます。

日本、アメリカ、ヨーロッパ、全世界の市場ポートフォリオ

ファーマ−フレンチの3ファクターモデルに用いるヒストリカルデータには、市場ポートフォリオの日次リターンが含まれます。
市場ポートフォリオとは、各地域の時価加重平均ポートフォリオのことです。
フレンチ教授のwebページから取得できるデータの中で、Mkt-RFというのが市場ポートフォリオのリターンと安全資産リターン(米国短期証券)の差を表しており、別にあるRFの列を足してやることで、市場ポートフォリオのリターンが計算できます(通貨は米ドル建てです。
市場ポートフォリオは各地域の株式市場の時価総額を反映した指数ですから、日本、アメリカ、ヨーロッパ、全世界の各市場の株式指数と考えて良いでしょう。
データは1990/7/2から2019/4/30までの7,522日分あります。
以下では各地域の市場ポートフォリオデータをもとに、株価の日次リターンの平均(期待リターン)、標準偏差(リスク)、歪度と尖度を計算し、日次リターンが正規分布に従うかを確かめます。
本記事の分析手法は、下記記事を参考にしています。
分析には統計プログラミング言語Rを用います。Rの使い方や投資理論への活用については、下記書籍が参考になります。


日本株式のリターン、リスク、正規性

mean()関数を使って計算した日本株式の日次期待リターンは0.01%、1年250営業日を乗じて計算する年率換算の期待リターンは3.8%でした。
sd()関数を使って計算した日本株式の日次リスクは1.37%、1年250営業日の平方根を乗じて計算する年率換算のリスクは21.7%でした。
分布の偏りを示す歪度は0.12(正規分布ならば0)、分布の尖り具合を示す尖度は 8.2(正規分布ならば3)でした。
データが正規分布に従うかを示すシャピロ・ウィルク検定を実施したところ、「正規分布に従う」という帰無仮説は棄却され、日本株式の日次データは統計的には正規分布に従わないことがわかりました。
データをQ-Qプロットしてみたところ、正規分布であればデータは一直線に並ぶべきところ、以下のようになりました。

米国株式のリターン、リスク、正規性

mean()関数を使って計算した日本株式の日次期待リターンは0.04%、1年250営業日を乗じて計算する年率換算の期待リターンは10.5%でした。
sd()関数を使って計算した日本株式の日次リスクは1.06%、1年250営業日の平方根を乗じて計算する年率換算のリスクは16.8%でした。
分布の偏りを示す歪度は-0.21(正規分布ならば0)、分布の尖り具合を示す尖度は 11.6(正規分布ならば3)でした。
データが正規分布に従うかを示すシャピロ・ウィルク検定を実施したところ、「正規分布に従う」という帰無仮説は棄却され、米国株式の日次データは統計的には正規分布に従わないことがわかりました。
データをQ-Qプロットしてみたところ、正規分布であればデータは一直線に並ぶべきところ、以下のようになりました。

欧州株式のリターン、リスク、正規性

mean()関数を使って計算した日本株式の日次期待リターンは0.03%、1年250営業日を乗じて計算する年率換算の期待リターンは3.8%でした。
sd()関数を使って計算した日本株式の日次リスクは1.11%、1年250営業日の平方根を乗じて計算する年率換算のリスクは8.1%でした。
分布の偏りを示す歪度-0.14(正規分布ならば0)、分布の尖り具合を示す尖度は 10.5(正規分布ならば3)でした。
データが正規分布に従うかを示すシャピロ・ウィルク検定を実施したところ、「正規分布に従う」という帰無仮説は棄却され、欧州株式の日次データは統計的には正規分布に従わないことがわかりました。
データをQ-Qプロットしてみたところ、正規分布であればデータは一直線に並ぶべきところ、以下のようになりました。

全市場株式のリターン、リスク、正規性

mean()関数を使って計算した日本株式の日次期待リターンは0.03%、1年250営業日を乗じて計算する年率換算の期待リターンは7.8%でした。
sd()関数を使って計算した日本株式の日次リスクは0.87%、1年250営業日の平方根を乗じて計算する年率換算のリスクは13.8%でした。
分布の偏りを示す歪度-0.25(正規分布ならば0)、分布の尖り具合を示す尖度は 10.7(正規分布ならば3)でした。
データが正規分布に従うかを示すシャピロ・ウィルク検定を実施したところ、「正規分布に従う」という帰無仮説は棄却され、全世界株式の日次データは統計的には正規分布に従わないことがわかりました。
データをQ-Qプロットしてみたところ、正規分布であればデータは一直線に並ぶべきところ、以下のようになりました。

まとめ

フレンチ教授が公開している市場ポートフォリオの日次データを使って、日本、アメリカ、ヨーロッパ、全世界の株式リターンの分析を行いました。
その結果、いずれの地域でも、日次リターンは正規分布に従わないことがわかりました。
ファイナンスの多くの研究ではリターンは正規分布に従うと仮定されていますが、実際のデータはそうではないようです。
本ブログでたびたび登場する「投資シミュレーションプログラム」はリターンが正規分布に従うことを仮定していますので、本記事の結果を重く受け止めるならば、改善する必要があります。
この点については、近く改良版を公開しますので、ご期待下さい。

ファーマ-フレンチの3ファクターモデルのデータを入手する方法

こんにちは、毛糸です。

本記事ではファーマ-フレンチの3ファクターモデルを使うにあたり必要となる、市場ポートフォリオ、時価総額(SMB)ファクター、簿価時価比率(HML)ファクター、無リスク金利のデータを入手する方法を解説します。

上記データは、ケネス・フレンチ教授のホームページから無料で、1990年からの長期にわたる時系列データが手に入ります。

ファーマ-フレンチの3ファクターモデル(Fama-French three factor model)のヒストリカルデータ

ファーマ-フレンチの3ファクターモデル(以下、FF3)に必要なデータは、ケネス・フレンチ教授ホームページのDATA LIBRARY(リンクはこちら)から、無料で取得できます。
上記ページの「Developed Market Factors and Returns」には、全市場ベースのFF3データのほか、北米、ユーロ圏、日本などの地域別のデータが提供されています。
[Daily]データでは、1990年7月2日以降の日次データが提供されています。

各ファイルは、市場ポートフォリオ、時価総額(SMB)ファクター、簿価時価比率(HML)ファクター、無リスク金利のデータからなります。

このほか、上記サイトではファーマ-フレンチの5ファクターモデルに必要な収益性ファクターと投資ファクターや、モメンタムファクターも提供されています。

これらデータを使えば、Rなどで簡単に投資分析をすることが可能です。

金融データの分析方法については、下記の書籍が参考になります。

(function(b,c,f,g,a,d,e){b.MoshimoAffiliateObject=a;
b[a]=b[a]||function(){arguments.currentScript=c.currentScript
||c.scripts[c.scripts.length-2];(b[a].q=b[a].q||[]).push(arguments)};
c.getElementById(a)||(d=c.createElement(f),d.src=g,
d.id=a,e=c.getElementsByTagName(“body”)[0],e.appendChild(d))})
(window,document,”script”,”//dn.msmstatic.com/site/cardlink/bundle.js”,”msmaflink”);
msmaflink({“n”:”ファイナンスのためのRプログラミング証券投資理論の実践に向けて”,”b”:””,”t”:””,”d”:”https://images-fe.ssl-images-amazon.com”,”c_p”:””,”p”:[“/images/I/41UrHrQ9vlL.jpg”],”u”:{“u”:”https://www.amazon.co.jp/%E3%83%95%E3%82%A1%E3%82%A4%E3%83%8A%E3%83%B3%E3%82%B9%E3%81%AE%E3%81%9F%E3%82%81%E3%81%AER%E3%83%97%E3%83%AD%E3%82%B0%E3%83%A9%E3%83%9F%E3%83%B3%E3%82%B0-%E2%80%95%E8%A8%BC%E5%88%B8%E6%8A%95%E8%B3%87%E7%90%86%E8%AB%96%E3%81%AE%E5%AE%9F%E8%B7%B5%E3%81%AB%E5%90%91%E3%81%91%E3%81%A6%E2%80%95-%E5%A4%A7%E5%B4%8E-%E7%A7%80%E4%B8%80/dp/4320110447″,”t”:”amazon”,”r_v”:””},”aid”:{“amazon”:”1251300″,”rakuten”:”1249750″,”yahoo”:”1251299″},”eid”:”Ky0Az”});

ビットコインFX|期待リターンと熱狂する理由

こんにちは、毛糸です。

2017年頃の仮想通貨バブルは「億り人」という言葉を生むほど、高い収益機会として注目され、一攫千金の夢を見させてくれました。
>>ビットコインはバブルである

仮想通貨バブルの狂乱を演出したのが、ビットコインFXに代表されるレバレッジつき証拠金取引です。
本記事では、ビットコインFXの期待リターンがプラスと考えられることを説明し、それがビットコインFXの人気となったこと、「レバレッジ」が重要な意味をもっていたことを説明します。

通貨FXの期待リターンは0

通常の外国為替証拠金取引(以下、通貨FX)は、理論的には期待リターンが0であると考えられています。
通貨変動の期待リターンと、国内外の金利差に相当するスワップポイントが相殺されるため、一定の仮定のもとでは期待リターンになる0の「フェアゲーム」です。
為替レートというのは、国内と海外の金利運用による収益を予見して決まっているため、たとえ外貨建ての金利がとても高く魅力的に見えても、通貨変動によってリターンが打ち消されます。
期待リターンが0ということは、通貨FXでレバレッジをかけても、リスクばかり大きくなるだけで期待リターンはあがりません。
したがって「理論的には」通貨FXでレバレッジをかける意味はありません。

FXや外貨預金の期待リターンに関しては、下記書籍に説明があります。

(function(b,c,f,g,a,d,e){b.MoshimoAffiliateObject=a;
b[a]=b[a]||function(){arguments.currentScript=c.currentScript
||c.scripts[c.scripts.length-2];(b[a].q=b[a].q||[]).push(arguments)};
c.getElementById(a)||(d=c.createElement(f),d.src=g,
d.id=a,e=c.getElementsByTagName(“body”)[0],e.appendChild(d))})
(window,document,”script”,”//dn.msmstatic.com/site/cardlink/bundle.js”,”msmaflink”);
msmaflink({“n”:”難しいことはわかりませんが、お金の増やし方を教えてください”,”b”:””,”t”:””,”d”:”https://images-fe.ssl-images-amazon.com”,”c_p”:””,”p”:[“/images/I/61KYTun14uL.jpg”],”u”:{“u”:”https://www.amazon.co.jp/%E5%9B%B3%E8%A7%A3%E3%83%BB%E6%9C%80%E6%96%B0-%E9%9B%A3%E3%81%97%E3%81%84%E3%81%93%E3%81%A8%E3%81%AF%E3%82%8F%E3%81%8B%E3%82%8A%E3%81%BE%E3%81%9B%E3%82%93%E3%81%8C%E3%80%81%E3%81%8A%E9%87%91%E3%81%AE%E5%A2%97%E3%82%84%E3%81%97%E6%96%B9%E3%82%92%E6%95%99%E3%81%88%E3%81%A6%E3%81%8F%E3%81%A0%E3%81%95%E3%81%84%EF%BC%81-%E5%B1%B1%E5%B4%8E%E5%85%83-ebook/dp/B077F4SK36″,”t”:”amazon”,”r_v”:””},”aid”:{“amazon”:”1251300″,”rakuten”:”1249750″,”yahoo”:”1251299″},”eid”:”XK5hS”});

ビットコインFXに金利平価は働かない

ビットコインFXも同じく期待リターンは0なのでしょうか。
ビットコインが通常の通貨(いわゆるフィアット)と異なる点は、ビットコインが通貨圏を形成しているとはいい難く、ビットコイン建ての運用を行っているプレイヤーが通貨ほど多くない点です。
ビットコイン建て債券の発行がないわけではありませんが、ビットコインとフィアットの交換レートを考慮し裁定(アービトラージ)が起こるほど、自由かつ頻繁に行われているわけではありません。
したがって、通貨FXの期待リターンが0であるという「理論」の前提が、ビットコインFXでは成り立っていない可能性が大いにありえます。
ややテクニカルな話ですが、通貨FXの期待リターン0というのは、金利平価と呼ばれる理論に基づいており、これには通貨の売買と各国での自由な運用が前提となっています。
ビットコインはこの前提が成り立っていないため、ビットコインFXの期待リターンは0とはかぎりません。

(function(b,c,f,g,a,d,e){b.MoshimoAffiliateObject=a;
b[a]=b[a]||function(){arguments.currentScript=c.currentScript
||c.scripts[c.scripts.length-2];(b[a].q=b[a].q||[]).push(arguments)};
c.getElementById(a)||(d=c.createElement(f),d.src=g,
d.id=a,e=c.getElementsByTagName(“body”)[0],e.appendChild(d))})
(window,document,”script”,”//dn.msmstatic.com/site/cardlink/bundle.js”,”msmaflink”);
msmaflink({“n”:”[参考文献]新証券投資論II”,”b”:””,”t”:””,”d”:”https://images-fe.ssl-images-amazon.com”,”c_p”:”/images/I”,”p”:[“/51qz2IyTafL.jpg”,”/31HIJwDY-hL.jpg”],”u”:{“u”:”https://www.amazon.co.jp/%E6%96%B0%E3%83%BB%E8%A8%BC%E5%88%B8%E6%8A%95%E8%B3%87%E8%AB%96II-%E4%BC%8A%E8%97%A4-%E6%95%AC%E4%BB%8B/dp/4532133734″,”t”:”amazon”,”r_v”:””},”aid”:{“amazon”:”1251300″,”rakuten”:”1249750″,”yahoo”:”1251299″},”eid”:”kfkhx”});

ビットコインFXの期待リターン

ビットコインFXの期待リターンは0ではなく、おそらくは正であると考えられます。
ビットコインFXには(取引所にもよりますが)スワップポイントがあり、売り買いどちらのポジションであっても、一定率を支払うような取り決めになっていることが多いようです。
上記サイトの例では、一日あたり建玉金額の0.04%が手数料として徴収されます。
一方、ビットコイン価格のヒストリカルデータから算出した日次リターンは0.28%ほどでしたので、スワップポイント(と言う名の手数料)を控除してもなお、統計上プラスのリターンが得られることになります。

ビットコインFXの狂乱の理由

期待リターンがプラスであるということは、ビットコインFXでレバレッジをかけることによって、期待リターンを高められます。
期待リターン0の通貨FXであればは、何倍レバレッジをかけても期待リターン0のままですが、ビットコインFXの期待リターンが正であれば、レバレッジをかける意味もあります。
ビットコインFXがあれほど人気を博した理由の一つは、通貨FXとは異なり、レバレッジが言葉通り収益に「てこ」を加えられるためだったのかも知れません。
もちろん、レバレッジで高まるのはリターンだけではありません。
レバレッジをかけることによりリスクも相当高いものとなり、またレバレッジの本質は他人資本を借りてくること(つまり借金)なので、運が悪ければ破産することもあります。
レバレッジのリスクに関しては、下記の記事が参考になります。

(function(b,c,f,g,a,d,e){b.MoshimoAffiliateObject=a;
b[a]=b[a]||function(){arguments.currentScript=c.currentScript
||c.scripts[c.scripts.length-2];(b[a].q=b[a].q||[]).push(arguments)};
c.getElementById(a)||(d=c.createElement(f),d.src=g,
d.id=a,e=c.getElementsByTagName(“body”)[0],e.appendChild(d))})
(window,document,”script”,”//dn.msmstatic.com/site/cardlink/bundle.js”,”msmaflink”);
msmaflink({“n”:”ガチ速FX 27分で256万を稼いだ鬼デイトレ”,”b”:””,”t”:””,”d”:”https://images-fe.ssl-images-amazon.com”,”c_p”:””,”p”:[“/images/I/51vIopi1L0L.jpg”],”u”:{“u”:”https://www.amazon.co.jp/%E3%82%AC%E3%83%81%E9%80%9FFX-27%E5%88%86%E3%81%A7256%E4%B8%87%E3%82%92%E7%A8%BC%E3%81%84%E3%81%A0%E2%80%9C%E9%AC%BC%E3%83%87%E3%82%A4%E3%83%88%E3%83%AC-%E5%8F%8A%E5%B7%9D%E5%9C%AD%E5%93%89/dp/4827211817″,”t”:”amazon”,”r_v”:””},”aid”:{“amazon”:”1251300″,”rakuten”:”1249750″,”yahoo”:”1251299″},”eid”:”bLq6y”});

まとめ

通貨FXは理論上、期待リターンが0ですが、ビットコインFXは通貨FXで成り立つ前提が成り立たないため、期待リターンが0とは限りません。
実際のデータから推計した期待リターンは、スワップポイントを控除してもプラスであり、ビットコインFXの期待リターンは正であると考えられます。
この場合、レバレッジをかけることで期待リターンは増幅され、これが2017年のビットコインバブルの狂乱の一原因であったと思われます。
しかし、レバレッジをかけることでリスクも激増し、破産確率が増すことには十分注意が必要です。

Rで多次元正規分布に従う乱数を生成する(年金運用の例題付き)

こんにちは、毛糸です。

ファイナンス(金融工学)において、正規分布は資産の収益率をモデル化するために頻繁に用いられます。

投資対象となる資産は通常1つだけではなく、複数資産を扱いたいことも多いですから、その場合には多次元の正規分布を考えなければなりません。

本記事では統計プログラミング言語Rで多次元正規分布に従う確率変数ベクトルを生成する方法について説明します。

ライブラリ「MASS」による多次元(多変量)正規分布の乱数発生

多次元(多変量)正規分布に従う確率変数ベクトルは、多変量解析用パッケージのMASSのmvrnorm()を使って発生させることが出来ます(公式リファレンスのPDFはこちら)。

mvrnorm()は、発生させる確率変数ベクトルの個数n、期待値ベクトルmu、分散共分散行列Sigmaを与え、n組の確率変数ベクトルを返す関数です。

例えば、( mu=(1,1))、分散共分散行列( Sigma=left(  begin{array}{cc}1&0\0&1end{array}right))の2次元正規分布に従う確率変数( (x_1,x_2))を発生させるには、以下のように記述します。

#MASSライブラリを読み込む
library(MASS)
#期待値ベクトル
mu0<-c(1,1)
#分散共分散行列
Sigma0<-rbind(
  c(1,0),
  c(0,1)
)
#多次元正規分布に従う確率変数ベクトルを1組発生
mvrnorm(1,mu0,Sigma0)
#[1]  1.8590647 -0.6548381

参考>> 元データ分析の会社で働いていた人の四方山話_多変量正規分布

例題:年金資産の収益率

MASSライブラリを用いた多次元正規分布の乱数発生方法がわかったところで、応用例を考えてみましょう。
私たちの年金運用のシミュレーションです。
年金積立金は4つのリスク資産に投資されており、その収益率は正規分布に従うと仮定されています。
期待収益率と分散、相関係数の推定値は公表されており、これに基づいて投資が行われています。

(出所:https://www.gpif.go.jp/gpif/portfolio.html)

年金の期待収益率(投資4資産+余剰資金の短期資産と賃金上昇率の6次元)と分散共分散行列から、年金資産の収益率を乱数として発生させてみましょう。

分散共分散行列( Sigma)については、標準偏差ベクトル( S=(sigma_1,cdots,sigma_n))と相関係数行列( P)を用いて

[ begin{split}
Sigma=diag(S) cdot P cdot diag(S)
end{split} ]で表せます。ただし( diag(S))は( S)を対角成分に持つ対角行列で、「( cdot)」は通常の行列積(Rでは%*%)です。

#各資産クラスの期待リターン
mu<-c(2.6/100, 6.0/100, 3.7/100, 6.4/100, 1.1/100)
#各資産クラスの分散(標準偏差の2乗)
sigma<-c(0.047,0.251,0.126,0.273,0.005)
#相関行列
Rho<-rbind(
    c(1,-0.16,0.25,0.09,0.12),
    c(-0.16,1,0.04,0.64,-0.1),
    c(0.25,0.04,1,0.57,0.15),
    c(0.09,0.64,0.57,1,-0.14),
    c(0.12,-0.1,-0.15,-0.14,1))
#分散対角行列
sigma_diag<-diag(sigma)
#分散共分散行列
Sigma<-sigma_diag%*%Rho%*%sigma_diag
#多次元正規分布の発生
X <- mvrnorm(10000, mu, Sigma)

結果の確認

こうして得られた6次元確率変数ベクトルの1万個について、標本平均と標本標準偏差を計算すると、大数の法則により、パラメタとして与えたmuとsigmaに近くなるはずです。

Xは、行にサンプル数n、列に確率変数ベクトルの要素が並んでいます。列に対して平均meanと標準偏差sdを適用するには、apply(X,MARGIN=2,mean)という関数を使います。MARGIN=1はXの「列」方向に関数を適用するという意味です。
参考>>24. apply() ファミリー

#各要素の平均を計算(経済中位ケース)
apply(X,2,mean)*100
#[1] 2.591798 5.739046 3.773379 6.390514 1.097378 2.793776
#各要素の標準偏差を計算
apply(X,2,sd)*100
#[1]  4.6795340 25.1717768 12.6962985 27.2644081  0.5005285  1.9114364

いずれも理論値に近い値になっています。

まとめ

MASSライブラリを用いて多次元正規分布に従う確率変数ベクトルを生成する方法をまとめました。
多次元正規分布はファイナンスにおいてよく目にするため、しっかり使いこなせるようにしておきましょう。
Warning: Trying to access array offset on value of type bool in /home/r1406503/public_html/keito.luxe/wp-content/themes/xeory_base/lib/functions/bzb-functions.php on line 299

Warning: Trying to access array offset on value of type bool in /home/r1406503/public_html/keito.luxe/wp-content/themes/xeory_base/lib/functions/bzb-functions.php on line 301
class="col-md-4" role="complementary" itemscope="itemscope" itemtype="http://schema.org/WPSideBar">