Mímisbrunnr知恵の泉

← 金融工学 一覧

🎓 レベル：発展　|　重要度：B（標準）・要最新確認

📎 前提：ブラックショールズ公式と解釈・ランダムウォークと効率的市場仮説　|　関連：汎化理論（機械学習）

要点（BLUF）

1. ML×ファイナンスの全体像

機械学習は金融のあらゆる場面に入り込んでいますが、タスクの性質で成否が大きく分かれます。

この違いを2つのコードで体感します。

2. うまくいく例：BS価格マップの学習

ブラック–ショールズ価格は (S,σ)(S,\sigma) から価格への決定論的でなめらかな関数。これは ML（ここでは単純な多項式回帰）でよく近似できます。

import numpy as np
from scipy.stats import norm

def bs_call(S, K, r, sigma, T):
    d1 = (np.log(S/K) + (r + 0.5*sigma**2)*T)/(sigma*np.sqrt(T)); d2 = d1 - sigma*np.sqrt(T)
    return S*norm.cdf(d1) - K*np.exp(-r*T)*norm.cdf(d2)

rng = np.random.default_rng(0)

def feats(S, sig):     # (S, σ) の多項式特徴（3次まで）
    return np.column_stack([np.ones_like(S), S, sig, S**2, S*sig, sig**2,
                            S**3, S**2*sig, S*sig**2, sig**3])

# 学習データ：ランダムな (S, σ) → BS価格
n = 5000
S = rng.uniform(70, 130, n); sig = rng.uniform(0.1, 0.4, n)
y = bs_call(S, 100.0, 0.05, sig, 1.0)
coef, *_ = np.linalg.lstsq(feats(S, sig), y, rcond=None)   # 最小二乗で学習

# 別のテストデータで評価
St = rng.uniform(70, 130, 2000); sigt = rng.uniform(0.1, 0.4, 2000)
yt = bs_call(St, 100.0, 0.05, sigt, 1.0)
rmse = np.sqrt(np.mean((feats(St, sigt) @ coef - yt)**2))
print(f"BS価格の多項式近似 テストRMSE = {rmse:.4f}（価格レンジ {yt.min():.1f}〜{yt.max():.1f}）")

出力：

BS価格の多項式近似 テストRMSE = 0.1883（価格レンジ 0.0〜39.3）

出力の意味：価格が 0〜39 の範囲に対し、テスト RMSE は 0.19（相対誤差 1% 未満）。たった10個の多項式特徴で、BS の価格マップをほぼ再現できました。これが ML 代替プライサーの発想——計算の重いモデル（モンテカルロや Heston）を一度大量に評価して教師データを作り、ニューラルネットに学習させれば、本番では桁違いに高速に価格・グリークスを返せます。**入力と出力の関係が安定している（決定論的）**から、ML が威力を発揮するのです。

3. 難しい例：リターン予測と過学習

対照的に、将来リターンの予測は危険です。リターンがほぼノイズ（ランダムウォークと効率的市場仮説）のとき、特徴量を増やすと訓練データには当てはまるがテストで崩れる——過学習の典型を再現します。

import numpy as np

rng = np.random.default_rng(2)
n, p = 200, 50                       # 200サンプル・50個のランダムな特徴量
X = rng.normal(size=(n, p))
y = rng.normal(size=n)               # 「リターン」は予測不能なノイズ（真の関係なし）

coef, *_ = np.linalg.lstsq(X, y, rcond=None)            # 訓練データに当てはめ
r2_in = 1 - np.sum((y - X@coef)**2)/np.sum((y - y.mean())**2)

Xt = rng.normal(size=(n, p)); yt = rng.normal(size=n)  # 別のテストデータ
r2_out = 1 - np.sum((yt - Xt@coef)**2)/np.sum((yt - yt.mean())**2)

print(f"ノイズ予測: 訓練R^2 = {r2_in:.3f}, テストR^2 = {r2_out:.3f}")

出力：

ノイズ予測: 訓練R^2 = 0.235, テストR^2 = -0.355

出力の意味：特徴量とターゲットの間に真の関係は一切ない（どちらも独立なノイズ）のに、訓練データでは R2=0.235R^2=0.235 と「23%説明できた」ように見えます。50個の特徴が200サンプルの偶然のパターンを拾っただけ。テストデータでは R2=−0.355R^2=-0.355 とベースライン（平均予測）より悪化します。これが過学習の正体で、金融では特に危険——リターンの信号対雑音比が低いため、バックテストで輝いた戦略が本番で無価値になる事故が後を絶ちません。汎化の理論（汎化理論（機械学習））が教えるとおり、サンプルに対して特徴が多すぎると、ノイズを学習してしまうのです。

4. 金融MLの落とし穴

金融データには、一般的な ML と違う固有の難しさがあります（要最新確認）。

ML が効くのは「価格マップの近似」「執行最適化」「代替データの構造化」など関係が安定したタスク。「リターン予測で楽に勝てる」という期待は、効率的市場と過学習の二重の壁にぶつかります。

⚠️ よくある誤解

関連ノート