なぜ伝統的なテクニカル分析は複雑な市場で機能しないのか？

クオンツトレーディングの分野では、単純な移動平均線やRSIに基づく戦略が特定の市場環境では非常に有効である一方、別の期間では頻繁に失敗するのはなぜか、という疑問によく直面します。その答えは、金融時系列の複雑さにあります。それらは自己相関性を持つだけでなく、時変的なボラティリティ特性も備えています。

本日分析するこの戦略は、AR(2)自己回帰モデルとGARCH(1,1)条件付き分散不均一モデルを巧みに組み合わせ、統計学的な観点からこの問題を解決しようと試みます。これは単純なテクニカル指標の積み重ねではなく、金融時系列の本質的な特徴への深掘りです。

AR(2)モデルはどのように価格の記憶効果を捉えるのか？

戦略の中核はAR(2)自己回帰モデルの適用です。自己回帰とは何か？簡単に言えば、過去の自分自身を使って未来の自分自身を予測することです。AR(2)モデルは、現在のリターンが過去2期間のリターンによって線形に表現できると仮定します：

            
            
            
r_t = φ₁ × r_{t-1} + φ₂ × r_{t-2} + ε_t

コードでは、Yule-Walker方程式を用いて係数φ₁とφ₂を求めます：

            pinescript
            
            
c0 = calcAutoCovariance(returns, 0, lengthReg) // ラグ0の自己共分散
c1 = calcAutoCovariance(returns, 1, lengthReg) // ラグ1の自己共分散
c2 = calcAutoCovariance(returns, 2, lengthReg) // ラグ2の自己共分散
phi1 = (c1 * c0 - c2 * c1) / denominator // 1番目の自己回帰係数
phi2 = (c2 * c0 - c1 * c1) / denominator // 2番目の自己回帰係数

この手法の利点は、主観的な判断に依存せず、データ自体に「語らせる」ことで価格系列に内在する規則性を発見できる点にあります。

GARCHモデルはなぜ市場リスクをより適切に描けるのか？

ARモデルだけでは不十分です。なぜなら、金融市場のボラティリティは一定ではないからです。「ボラティリティ・クラスタリング」現象は誰もが知っています――大きな変動は大きな変動を伴い、静かな期間は長く続く傾向があります。

GARCH(1,1)モデルはまさにこの特性を描くためのものです：

            
            
            
σ²_t = ω + α × ε²_{t-1} + β × σ²_{t-1}

コード内の実装ロジックはこれを明確に示しています：

            pinescript
            
            
omega = (1 - adjustedAlpha - adjustedBeta) * longTermVar
garchVariance := omega + adjustedAlpha * math.pow(arResidual[1], 2) + adjustedBeta * garchVariance[1]

ここでの重要な洞察は、現在の条件付き分散が、前期の残差二乗（短期的なショック）だけでなく、前期の条件付き分散（長期的な持続性）にも依存していることです。パラメータαは短期的なショックの影響を制御し、βはボラティリティの持続性を制御します。

戦略の取引ロジックはどのようにリスク・リターンのバランスを実現するのか？

ARによる予測とGARCHによるボラティリティ推定を用いて、戦略は動的な信頼区間を構築します：

            pinescript
            
            
upperReturnBand = arReturnPredict + stdevFactor * garchStd
lowerReturnBand = arReturnPredict - stdevFactor * garchStd

取引シグナルの生成ロジックは、平均回帰の考え方を体現しています：

• 価格が下限バンドを下回ったら買い（longSignal = rawPrice < lowerPriceBand）
• 価格が上限バンドを上回ったら売り（shortSignal = rawPrice > upperPriceBand）

この設計の巧妙な点は、信頼区間の幅が市場のボラティリティに応じて動的に調整されることです。高ボラティリティ期には区間が広がり取引頻度が減り、低ボラティリティ期には区間が狭まり取引機会が増えます。

実際の適用で注意すべき重要なポイントは？

1. モデルの安定性検証
コードには重要な安定性チェックが含まれています：

            pinescript
            
            
if stabilityCheck >= 0.99 or math.abs(phi2) >= 0.99
    scaleFactor = 0.95 / math.max(stabilityCheck, math.abs(phi2) + 0.01)

これによりARモデルの定常性が保証され、発散する予測結果を回避します。

2. パラメータの収束性制約
GARCHモデルでは長期分散の存在を保証するため、α + β < 1が求められます：

            pinescript
            
            
if sumParam >= 0.999
    scale = 0.99 / sumParam

3. フィルター機構の必要性
戦略にはRSIフィルターオプションが用意されており、実際の応用では重要です。純粋な統計モデルは市場のトレンド特性を無視する可能性があり、テクニカル指標を追加することで追加の確認シグナルが得られます。

戦略の限界と改善の方向性

この戦略は理論的には洗練されていますが、実際の応用では以下の点を考慮する必要があります：

データ頻度の選択：AR-GARCHモデルは異なる時間足で性能が大きく異なります。高頻度データはより多くの情報を提供しますが、ノイズも増加させます。

パラメータの時間変動性：現在の実装では、ARとGARCHのパラメータが推定ウィンドウ内で一定であると仮定していますが、実際の市場構造は変化する可能性があります。

取引コストの影響：統計的裁定戦略は通常、高い取引頻度を必要とするため、手数料とスリッページコストは無視できません。

結び：クオンツトレーディングにおける統計モデリングの価値

このAR-GARCH戦略は、金融モデリングにおける現代統計学の強力な威力を示しています。これは単純なテクニカル指標の組み合わせではなく、金融時系列の統計的特性への深い掘り下げです。

クオンツトレーダーにとって、このような戦略を理解する価値は、直接的な応用だけでなく、統計的思考で市場を分析する能力を養うことにもあります。AIや機械学習が隆盛を極める今日でも、これらの古典的な統計モデルは市場を理解し戦略を構築するための重要な基盤であり続けています。