【SSRN】資産運用に関する論文まとめ
SSRN（Social Science Research Network）のQuantitative Methods & Global Investments eJournalの最近アクセスが多い論文の中から気になる論文をいくつかリストアップしてみました。概要はDeepLで翻訳したもの少し整えています。
①Beyond Fama-French Factors: Alpha from Short-Term Signals
概要：短期的なアルファ信号は、主に市場摩擦の懸念から、伝統的な資産価格計算モデルでは一般的に否定される。しかし、本稿では、流動性の高いグローバルユニバースに適用されるシグナルを単純な売買ルールと組み合わせることで、投資家が大きなネットアルファを得られることを実証している。複合モデルは、短期リバーサル、短期モメンタム、短期アナリスト修正、短期リスク、月次季節性シグナルで構成される。その結果得られたアルファは地域横断的に存在し、ロングオンリーの適用が可能で、数日の実装ラグを組み込んでロバストであり、伝統的なFama-Frenchファクターと相関がないことが分かった。
②Investing in Deflation, Inflation, and Stagflation Regimes
概要：我々は、インフレレジーム間のアセットクラスプレミアムとファクタープレミアムを検証する。高インフレとデフレの時期は最近の歴史では比較的珍しいので、1875年からのサンプルを使用した。緩やかなインフレシナリオでは、資産クラスおよびファクター・プレミアムのリターンが最も高くなる。デフレ期には、名目リターンは低いが、実質リターンは魅力的である。一方、高インフレ下では株式と債券の実質リターンはマイナスとなり、特にスタグフレーション下ではその傾向が顕著である。このような「悪い時代」には、ファクター・プレミアムがプラスとなり、実質的なキャピタル・ロスの一部を相殺するのに役立っている。
③The Buffett Indicator: International Evidence
概要：Warren Buffettは、上場株式の時価総額と経済生産高の比率が株式市場のミスプライスを識別する可能性があることを示唆した。我々は、米国での既存研究を国際的な株式市場に拡張し、14カ国からなるデータセットについて、株式時価総額対国内総生産のリターン予測特性を調査した。その結果、米国以外の大半の国において、「バフェット指標」が10年間のリターンの変動の大部分を説明していることが裏付けられた。その結果、米国以外の大半の国において、「バフェット指標」は10年間の投資リターンの変動を説明することができ、低水準の比率は平均以上の投資リターンを予測し、高水準の比率の期間はその後の10年間のリターンが平均以下になることが確認された。また、「バフェット指標」を、循環的調整株価収益率や株式リターンの平均回帰など、他の有名な株式市場評価シグナルや現象とも比較している。
④Modeling Momentum and Reversals
概要：株価は数学的にモデル化することが困難な挙動を示すことがよく知られている。個別銘柄は短期的な価格反転と長期的なモメンタムを示すが、その産業はモメンタムのみを示すことが観察される。
ここでは、これらの挙動を捉えるために、個別銘柄を単純な平均回帰プロセスでモデル化することが可能であることを示す。シミュレーションの結果、このような市場において、反転を利用した戦略はロングオンリー戦略を上回り、高い平均回帰の環境ではしばしば10倍もの差が出ることがわかった。
⑤Portable Beta And Total Portfolio Management
概要：トータル・ポートフォリオ・マネジメント（TPM）は、通常、戦略的・戦術的に資産クラスを横断し、ファンドレベルの報酬対リスク比率を最大化することに焦点を当てています。最近の証拠によれば、スタイル・エクスポージャは資産家が獲得するリターンに重要な貢献をしていることが示唆されている。我々は、スタイル・エクスポージャーの共分散を利用することで、ファンドレベルのシャープレシオを大幅に向上させることができることを示す。あるスタイル（例：キャリー）は非常にプロシクリカルである一方、他のスタイル（例：モメンタム）は市場に対して非常にカウンターシクリカルである。私たちは、リターンではなくリスクの観点から、スタイル・エクスポージャーの最適な組み合わせを構築する。このように、当社のアプローチは、株式市場との相関がほぼゼロである従来のリターン追求型のファクター・オーバーレイとは根本的に異なるものである。その結果、リスクが低くなるため、政策ポートフォリオの合理的なレバレッジが可能になります。総リスクはそのままに、我々のアプローチは長期的に高いリターンとシャープ比の改善をもたらす。我々の研究は、アセットクラスのPMがサイロとして活動することを可能にする委任型投資運用モデル（DIM）をどのように強化することができるかについて、重要な示唆を与えてくれるものである。我々は、DIMを220bps向上させる可能性のあるモジュール式TPMフレームワークを提供する。
⑥Do Stock Prices Reflect Firms Fundamentals? An Empirical Analysis of a Large Global Sample
概要：ファンダメンタルズが株価にどのような影響を与えるのか、理論的なモデルによって示されている。30の先進国から約5,000銘柄のサンプルを選び、17年間にわたり調査した。実証的な証拠は理論的な仮定と一致しているが、企業のファンダメンタルズが価格の変動を説明する能力は限定的である。おそらく、株式価格が企業のファンダメンタルズを反映する能力が不完全であるため、価格とファンダメンタルズのミスアラインメントに基づくロング・ショート投資戦略は、現代ポートフォリオ理論と調和しにくい、特に正のリスク調整後のパフォーマンスを生み出す。
⑦Portfolio Construction with Hierarchical Momentum
概要：本論文では、大規模な資産ユニバースの階層的なクラスタリングと株価のモメンタムを組み合わせたポートフォリオ構築のアプローチを提示する。一方では、モメンタムの高い銘柄に投資することで、経済レジーム全体にわたってポートフォリオのパフォーマンスを安定させ、リスク調整後リターンを向上させることができる。一方、高次元の資産ユニバースの階層的クラスタリングは、疎分散を保証し、モメンタムポートフォリオに典型的に見られるドローダウンの増加や大きな回転の問題を緩和する。さらに、提案するポートフォリオ構築手法は、共分散行列の反転を回避することができる。また、国際株式の非サバイバーシップ・バイアスデータセットを用いたサンプル外のバックテストでは、階層的モメンタムポートフォリオは、取引コスト控除後のモデルなしベンチマークと比較して、累積リターンとリスク調整後ポートフォリオリターンを大幅に改善し、ポートフォリオのドローダウンを減少させることが示された。さらに、階層的モメンタムポートフォリオのユニークな特性は、クラスタリングによる次元の縮小とモメンタムベースの銘柄選択の両方によって生じることを実証している。
⑧Luck or Skill: What Drives Hedge Fund Performance Persistence?
概要：本論文では、ヘッジファンドのリターンが高次の（非線形）持続パターンを示す程度について深い洞察を与えるために、ソートと新しいノンパラメトリックなアプローチに基づいて複数のファンド・オブ・ファンズのポートフォリオを作成する。1999年1月から2015年12月までのヘッジファンド・リサーチ・データベースの月次データを利用することにより、サンプル外演習は、時間地平にわたるパフォーマンスの持続性の確実な証拠を提供する。しかし、最大で80%のヘッジファンドは「幸運な」パフォーマーであることが、堅牢性測定の一連を実施することで確認された。我々は、これらの「幸運な」ヘッジファンドを、古典的な持続性選択手順を通過し、リターンが持続するファンドに関して「偶然に」選択されたファンドと名付ける。我々は、これらのファンドが将来的に著しいアウトパフォームを経験する可能性は低いと主張する。我々のノンパラメトリックな同定メカニズムにより、持続性のあるファンドの数を減らすことができ、実務家は意味のある定性的な精査を行いながら、いくつかのファンドに焦点を当てることができるようになる。さらに、我々は危機後のデータを分析し、2008年の危機の後、真に持続的なファンドの割合が著しく減少したことを実証することによって、文献における議論を拡大するものである。
⑨When Bayes-Stein Meets Machine Learning: A Generalized Approach for Portfolio Optimization
概要：ベイズシュタインモデルは、Markowitzの平均分散ポートフォリオ最適化におけるパラメータの不確実性を是正するための枠組みを提供するものである。しかし、古典的なモデルは、モデル構成要素の推定誤差に悩まされ、素朴な1/N資産配分ルールを一貫して上回ることができない。我々は、従来のBayes-Steinモデルの欠点を包括的に調査し、様々な機械学習を用いてモデル構成要素を改良することにより、一般化した対応モデルを開発し、本来のBayes-Steinモデルの範囲と適用性を拡大する。具体的には、時間依存の重み付きElastic Netによる期待リターンの予測、ハイブリッド二重選択的クラスタリング組み合わせ戦略による収縮係数の校正、グラフィカルな適応型Elastic Netアルゴリズムによる逆共分散行列の推定を提案する。実証研究により、我々の一般化ベイズシュタインフレームワークは、代替ポートフォリオ戦略よりも優れたサンプル外パフォーマンスを提供できることが実証された。さらに、我々の研究は、確立された機械学習手法を金融問題の特異性に合わせて調整することで、機械学習技術を用いた金融問題の解決に向けた魅力的な方向性を示している。
⑩Factoring Qualitative Views into Portfolio Insights via Machine Learning
概要：この記事では、ポートフォリオ最適化問題を強化するための比較的新しい機械学習アプローチであるTIC（Theory-Implied Correlation）行列アプローチについて、独自の研究を簡単に紹介します。この新しいアプローチにより、ポートフォリオ最適化プロセスに定性的情報を取り込み、頑健性を高めることができる。
この記事で紹介した例は、流動的なインデックスを合成的に複製することに関心を持つETFプロバイダーの立場からトラッキングエラーを最小化することに焦点を当てていますが、TICアプローチは、マンデートのリスク量を制限したり、単位リスク当たりの報酬を増やすなど、異なる目的を求めるアクティブ投資マネージャーも統合することができます。
⑪Portfolio Management Framework for Derivative Instruments
概要：投資業界では、一般的なポートフォリオ運用におけるデリバティブ商品の取り扱いについて、統一された枠組みがないのが現状です。デリバティブの利用が拡大する中、基本的な用語や概念を統一する枠組みが必要とされています。現在の実務の主な課題は、エクスポージャー／想定元本と時価／価格を適切に分離していないことに起因していると思われます。この傾向は学術的な文献にも見られ、例えばポートフォリオの最適化においては、エクスポージャと時価が同一量として扱われるのが普通である。本稿では、ポートフォリオ運用のあらゆる目的に使用でき、ポートフォリオ・リターンに関連する現在の慣例に沿った直感的な特性を持つ、シンプルなフレームワークを提案する。この特徴により、ポートフォリオの最適化、リスク分解、パフォーマンス評価などを身近な方法で行うことができる。
この記事が気に入ったらサポートをしてみませんか？