機械学習によるマルチストラテジー運用の付加価値検証

安東星琉
京都大学大学院経済学研究科経済学専攻修士課程

Keywords

実証Asset Pricing / ヘッジファンド / マルチストラテジー / 機械学習

機械学習による戦略配分は、イコールウェイトやリスクパリティといった単純なアロケーションによるマルチストラテジー運用に対して追加的なパフォーマンス改善をもたらすのか。

本研究では、機械学習を用いたマルチストラテジー運用が従来のポートフォリオ構築手法に対して付加価値を持つかを実証的に検証する。

具体的には、ヘッジファンド戦略のリターンデータを用い、以下の3種類のマルチストラテジー・ポートフォリオを構築し、シャープレシオやインフォメーションレシオなどの指標を用いてパフォーマンスを比較する。

ヘッジファンド業界では、複数の投資戦略を組み合わせるマルチストラテジー運用が広く採用されている。

従来のポートフォリオ構築手法としては以下のようなルールベースのアロケーションが一般的である。

一方、ヘッジファンドのパフォーマンスに関する実証研究では、マルチストラテジー運用が市場インデックスに対して有意なアルファを生む可能性が指摘されている。

例えば Metzger (2019) は、約9,500のヘッジファンドデータを用いた分析により、マルチストラテジー戦略が長期的に市場をアウトパフォームする可能性を示している。

本研究では、このマルチストラテジー運用の枠組みにおいて、機械学習による戦略配分が、イコールウェイトやリスクパリティといった単純なアロケーションによるマルチストラテジー運用に対して追加的なパフォーマンス改善をもたらすかを検証する。

以下のポートフォリオを構築し比較する。

評価指標として以下を用いる。

分析の結果、以下のことが明らかになった。

これらの結果から、機械学習による戦略配分がマルチストラテジー運用のパフォーマンス改善に寄与する可能性が示唆された。

本研究の貢献は以下の点にある。

今後は以下の分析を進める予定である。