シャープレシオとパフォーマンス評価

🎓 レベル：標準　|　重要度：A（必須）

📎 前提：CAPMと証券市場線　|　関連：リスクの測り方（√t則）・効率的フロンティア（資本市場線）

要点（BLUF）

シャープレシオ $S=(E[R_p]-R_f)/\sigma_p$ は、リスク1単位あたりに何%の超過リターンを得たかの指標。資本市場線の傾きそのものです。
接点ポートフォリオはシャープレシオを最大化する配分。だから「危険資産だけで作れる最良のポートフォリオ」になります。
目的に応じて指標を使い分けます：トレイナー（ベータ基準）、インフォメーションレシオ（対ベンチマーク）、ソルティノ（下方リスク基準）、ジェンセンのアルファ（CAPM 超過）。

1. シャープレシオの定義

運用成績を「リターンの高さ」だけで比べてはいけません。高リターンでも、それが大きなリスクの結果なら評価できないからです。シャープレシオは、超過リターン（リスクフリーを上回る分）をリスク（ボラ）で割って、リスク調整後のリターンを測ります。

S = \frac{E[R_p] - R_f}{\sigma_p}

分子は「取ったリスクへの報酬」、分母は「取ったリスクの量」。 $S$ が大きいほど、同じリスクでより多くの超過リターンを稼いだ＝効率が良い運用です。効率的フロンティアで見たとおり、これは資本市場線の傾きに一致します。

2. 接点ポートフォリオはシャープレシオ最大

資本市場線が効率的フロンティアに接する点（接点ポートフォリオ）は、リスクフリーから引いた直線の傾きが最大になる点でした。傾き＝シャープレシオなので、接点ポートフォリオこそシャープレシオを最大化する危険資産の配分です。これを、ランダムな配分を大量に試す力技で確かめます。

import numpy as np

mu = np.array([0.08, 0.12, 0.15, 0.10])
sig = np.array([0.12, 0.20, 0.25, 0.15])
corr = np.array([
    [1.00, 0.30, 0.20, 0.40],
    [0.30, 1.00, 0.50, 0.30],
    [0.20, 0.50, 1.00, 0.25],
    [0.40, 0.30, 0.25, 1.00],
])
Sigma = np.outer(sig, sig) * corr
ones = np.ones(len(mu)); Sinv = np.linalg.inv(Sigma)
rf = 0.03

# 解析解の接点ポートフォリオのシャープレシオ
excess = mu - rf*ones
w_tan = Sinv @ excess / (ones @ Sinv @ excess)
tan_sharpe = (w_tan @ mu - rf) / np.sqrt(w_tan @ Sigma @ w_tan)

# ランダムなロングオンリー配分を20万通り試して最大シャープを探す
rng = np.random.default_rng(7)
best = -np.inf
for _ in range(200000):
    w = rng.random(len(mu)); w /= w.sum()
    s = (w @ mu - rf) / np.sqrt(w @ Sigma @ w)
    best = max(best, s)

print(f"ランダム探索の最大シャープレシオ: {best:.4f}")
print(f"接点ポートフォリオのシャープレシオ: {tan_sharpe:.4f}")

出力：

ランダム探索の最大シャープレシオ: 0.6492
接点ポートフォリオのシャープレシオ: 0.6492

出力の意味：20万通りのランダム配分をしらみつぶしに探しても、最大シャープレシオは 0.6492 までで、解析解の接点ポートフォリオ（0.6492）にぴたり一致します。今回は接点がたまたまロングオンリー（全配分が正）なので両者が完全一致しました。「シャープレシオを最大化せよ」と「接点ポートフォリオを持て」は同じこと——最適化を解かずとも、接点の閉形式 $\Sigma^{-1}(\boldsymbol\mu-R_f\mathbf{1})$ で一発で求まります。

3. シャープレシオのアニュアライズ

シャープレシオは測定する時間間隔に依存します。リターンが期間ごとに独立同分布なら、超過リターンは時間に比例（ $\times T$ ）、ボラはリスクの測り方の √t則で $\times\sqrt{T}$ なので、シャープレシオは $\sqrt{T}$ で伸びます。

S_{\text{年次}} = S_{\text{期間}}\times\sqrt{\frac{\text{年間の期間数}}{1}}

import numpy as np

sharpe_monthly = 0.15                       # 月次シャープレシオ
sharpe_annual = sharpe_monthly * np.sqrt(12)   # iid なら ×√12
print(f"月次シャープ {sharpe_monthly} → 年次シャープ {sharpe_annual:.4f}")

出力：

月次シャープ 0.15 → 年次シャープ 0.5196

出力の意味：月次シャープ 0.15 は、年次に直すと約 0.52。シャープレシオを比較するときは同じ時間軸（ふつう年次）にそろえるのが鉄則です。日次なら $\times\sqrt{252}$ 。なお、リターンに自己相関があると √t則は崩れ、アニュアライズは過大・過小評価になります（要注意）。

4. 他のパフォーマンス指標

シャープレシオは「総リスク（ボラ）」基準ですが、目的によって分母を変えた指標があります。

トレイナー・レシオ： $(E[R_p]-R_f)/\beta_p$ 。分母をベータ（システマティックリスク）に。十分分散されたポートフォリオの評価に向きます。
インフォメーション・レシオ（IR）： $(E[R_p]-E[R_b])/\sigma(R_p-R_b)$ 。ベンチマーク $b$ への超過リターンを、その追跡誤差（トラッキングエラー）で割る。アクティブ運用の実力を測ります。分子はアルファに対応。
ソルティノ・レシオ：分母を下方偏差（マイナス方向のばらつきだけ）に。上昇のブレをリスク扱いしない分、暴落耐性を重く見ます。
ジェンセンのアルファ： $\alpha = R_p - [R_f+\beta_p(R_m-R_f)]$ 。CAPMと証券市場線の回帰の切片。CAPM で説明できない超過収益で、SML より上にいる度合いです。

どれも「リスク調整後リターン」という同じ思想で、**何をリスクと見るか（総リスク／ベータ／下方リスク／対ベンチマーク）**だけが違います。

⚠️ よくある誤解

「シャープレシオが高い＝良い」を時間軸を無視して比べない：日次・月次・年次で値が変わります（√t則）。比較は必ず同じアニュアライズ基準で。
シャープレシオは正規性を暗に仮定する：分母のボラは上下のブレを同じに扱うため、テールの厚い（暴落しやすい）戦略を過大評価しがちです。下方リスクを見たいならソルティノ、テールは第8章の VaR・CVaR を併用します。
「アルファが正＝実力」とは限らない：アルファは推定値で、運やデータマイニングでも正に出ます。統計的有意性（t値）とサンプル長、取引コスト控除後かを確認しないと、見せかけのアルファに騙されます。