| 研究課題/領域番号 |
16K01234
|
|---|
| 研究機関 | 筑波大学 |
|---|
研究代表者 |
牧本 直樹 筑波大学, ビジネスサイエンス系, 教授 (90242263)
|
|---|
| 研究分担者 |
小林 武 名古屋商科大学, 経済学部, 教授 (70751486)
|
|---|
| 研究期間 (年度) |
2016-04-01 – 2020-03-31
|
| キーワード | ファクターモデル / 最適ポートフォリオ / 金利期間構造 / 投資パフォーマンス |
|---|
| 研究実績の概要 |
(1)金利期間構造については，前年度までに行った3ファクターのレジームスイッチングNelson-Siegel(NS)モデルを用いた投資戦略の研究を，別の金利データに対して適用して予測精度と投資パフォーマンスの評価を行った．使用したデータは，それ以前のデータと時系列特性が異なるものであったが，他の標準的な手法と比べて，提案手法は安定的に優位なパフォーマンスを示しており，データに対する頑健性を確認できた．
(2)NSモデルと異なる新しいタイプの金利期間構造モデルとして，金利水準，長短金利差，曲率の3ファクターが中心回帰性をもつ確率微分方程式で記述され，さらにボラティリティが確率変動する4ファクターモデルを構築した．提案モデルはアフィンモデルの一種であるが，構造が複雑なため債券データからモデルパラメータを推定するには粒子フィルタを利用する．この4ファクターモデルによる金利期間構造の予測を用いて，債券ポートフォリオの最適化を行い，他のモデルとの比較分析を行った．最適化のスキームは，代表的な平均－分散やシャープレシオ最大化に加え，近年のリスク重視の傾向を考慮して最小分散やリスクパリティなどを取り上げた．提案モデルは明示的にレジームの変化を含まないが，ボラティリティの確率変動により市場環境に適合する柔軟性をもち，さまざまな金利局面において，他の時系列モデルよりも安定した投資パフォーマンスを示した．
(3)株式投資に関しては，リターンのモメンタムファクターに着目した投資戦略を分析した．1日前から240日前までの間で選んだ15のモメンタムを説明変数として，ロジスティック，Long Short Term Memory(LSTM)，自己回帰モデルなどで翌日の株式リターンを予測した．代表的な20銘柄で分析した結果，LSTMが他のモデルに比べて予測能力と投資パフォーマンスの点で優位性を示した．
|
| 現在までの達成度 (区分) |
現在までの達成度 (区分)
2: おおむね順調に進展している
理由
レジームスイッチングNelson-Siegelモデルを利用した期間構造の推定と債券ポートフォリオ最適化に関しては，複数のデータに対して提案手法の安定的なパフォーマンスを確認し，実務的な観点での有用性も高まったことから，計画は概ね達成されたものと考えている．一方，今年度は当初の研究計画にはなかった新たな4ファクター金利期間構造モデルの分析を行った．検証したデータ期間はまだ短いものの，市場局面ごとの期間構造の変化に適合できる柔軟性を示しており，データ期間を拡張した分析を行い結果の頑健性が確認できれば，追加的な研究成果になるものと思われる．
株式投資については前年度までで概ね研究計画は達成されているが，人工知能を援用した投資戦略の研究が近年注目されていることから，追加的なテーマとして今年度分析を行った．
|
| 今後の研究の推進方策 |
研究実績(2)の4ファクターモデルは，分析に使用したデータの制約で検証期間が短いため，データ期間を拡張した分析を行い，結果の頑健性を確認する予定である．また研究実績(3)の株式投資におけるモメンタムファクターについては，結果の優位性は確認できているが，その要因についてはまだ明らかになっていない．LSTMのようなモデルは，内部構造が複雑で予測計算がブラックボックス化するため，予測の性質を把握するための手法を検討し，どの期間のモメンタムファクターが予測力をもつのかを確認する計画である．
|
| 次年度使用額が生じた理由 |
本研究では，金利期間構造モデルによる金利予測や債券ポートフォリオの投資戦略の実証分析を行っているが，ここ数年の金融市場の環境はそれ以前とは大きく異なっており，そうした変化が本研究の結果に与える影響を調べるために，直近のデータを加えた追加的な分析を行う予定である．そのため，次年度において最新データを購入するための費用を確保している．
|
