ペアトレードは、市場全体の上昇や下落を予測するのではなく、2つの資産の相対的な関係に注目する相対価値戦略です。過去に安定した価格関係を示してきた2銘柄を選び、その関係が通常の範囲から大きく外れたときにポジションを構築します。
一般的には、相対的に割安と判断された資産を買い、同時に割高と判断された資産を空売りします。狙いは、それぞれの価格が過去の水準へ戻ることではなく、2つの資産の価格関係が再び均衡へ近づくことです。
例えば、同じ業界で事業を展開する2社は、景気、原材料価格、需要動向など、共通する要因の影響を受けることがあります。一方の株価だけが急上昇し、もう一方が明確なファンダメンタルズ上の理由なく出遅れた場合、上昇した銘柄を空売りし、出遅れた銘柄を買うという組み合わせが考えられます。その後、両社の相対評価が収束すれば、2つのポジションを合わせて利益を得られる可能性があります。
ただし、値動きの形が似ているだけでは、信頼できる取引機会とはいえません。両者の関係が統計的に安定しているか、経済的に説明できるか、さらに取引コストを差し引いても有効かを検証する必要があります。
相関と共和分の違い
相関は、一定期間において2つの資産が同じ方向、または反対方向へ動く傾向を測ります。候補となるペアを探す際には役立ちますが、相関が高いからといって、価格差が長期的な均衡へ戻るとは限りません。
共和分は別の関係を捉えます。2つの価格系列がそれぞれ時間とともに変化していても、特定の比率で組み合わせた系列が比較的安定している場合があります。この組み合わせから生じる残差、つまりスプレッドに平均回帰性が認められれば、取引モデルを構築するためのより強い統計的根拠になります。
したがって、相関が高くても共和分関係が存在しないことがあります。相関係数だけでペアを選ぶと、一時的に似た動きをしているだけの銘柄を、長期的な関係があると誤認する可能性があります。
スプレッド、ヘッジ比率、Zスコア
ペアトレードでは、最初に2つのポジションの相対的な規模を決めるヘッジ比率を推定します。資産Aと資産Bの価格をそれぞれPA、PB、ヘッジ比率をβとすると、スプレッドは次のように表せます。
Spread = PA − β × PB
両方のポジションを同じ金額にする必要はありません。ヘッジ比率は、線形回帰、ローリング回帰、動的モデルなどを用いて推定できます。そのうえで、資金量、ボラティリティ、リスクエクスポージャーに応じて調整することもあります。
現在のスプレッドが通常の水準からどの程度離れているかを判断するため、Zスコアがよく使われます。
Z =（現在のスプレッド − 過去の平均）÷ 過去の標準偏差
Zスコアが大きくプラスになった場合は、資産Aを空売りし、ヘッジ比率に応じた資産Bを買う取引が考えられます。大きくマイナスになった場合は、反対方向のポジションを取ります。スプレッドが推定平均へ近づいた段階で、通常は両方のポジションを決済します。
ただし、過去のバックテストで最も高い利益を生んだという理由だけで、エントリーや決済の基準を選ぶべきではありません。計測期間、しきい値、保有ルールを何度も調整すると、過去データへの過剰適合が起こり、実際の運用では機能しないモデルになる可能性があります。
代表的なペアトレードモデル
距離法は比較的単純な手法です。価格系列を標準化し、過去に近い軌道を描いてきた資産を候補として選びます。理解しやすく実装も容易ですが、長期的な均衡関係が存在することを十分に証明できるわけではありません。
共和分モデルでは、非定常な価格系列の間に安定した線形結合が存在するかを検定します。Engle–Granger法は主に2変数の分析に使われ、Johansen法は複数の資産を含む関係を検討できます。ただし、統計的に有意であることは、その関係に経済的な根拠があることや、将来も継続することを保証しません。
時系列モデルは、スプレッドがどのように変化するかを分析するために使われます。自己回帰モデルでは平均回帰の速度を推定でき、半減期によって乖離が縮小するまでのおおよその時間を把握できます。回帰が遅すぎれば資金が長期間拘束され、速すぎれば取引コストを上回る利益を確保できない可能性があります。
カルマンフィルターを使えば、時間とともに変化するヘッジ比率を推定できます。2つの資産の関係が徐々に変化する局面には対応しやすくなりますが、モデルは複雑になり、パラメータに関するリスクも増えます。短期的なノイズに過敏なモデルは、不安定なシグナルと過剰な売買を発生させることがあります。
機械学習は、ペアの選定、市場局面の分類、スプレッド変化の予測などに利用できます。しかし、基本的なリスクを消すものではありません。データリーケージ、アウト・オブ・サンプルでの性能低下、説明可能性の不足により、複雑なモデルが実際以上に優れて見えることがあります。
取引プロセスの構築
まず、同業種の企業、性質が似た債券、関連する商品、構造が近いファンドなど、経済的な共通性を持つ資産群を作ります。そこから流動性、相関、共和分、スプレッドの安定性を検証し、候補を絞り込みます。
戦略には、明確なエントリー、決済、損切り、最長保有期間のルールが必要です。現実的なバックテストでは、手数料、売買スプレッド、スリッページ、資金調達費用、借株料、2つの注文が同時に約定しない可能性まで考慮しなければなりません。
先読みバイアスを避けるため、シグナルの計算には、その時点で実際に利用可能だった情報だけを使用します。現在の指数構成銘柄や後から修正されたデータを過去の検証に使うと、実運用では再現できない結果になりかねません。
評価では、総収益だけでなく、最大ドローダウン、勝率、損益比率、売買回転率、平均保有期間、テール損失、異なる市場局面での安定性を確認します。ローリング分析や、学習に使用していない独立したデータでの検証は、関係の頑健性を判断するうえで重要です。
主なリスク
最も重要なのは、これまでの関係が崩れるリスクです。企業の事業構造、合併、規制、指数構成、業界環境が変化すると、2つの資産が新しい均衡へ移ることがあります。その場合、以前の平均へ戻るのを待ち続けると、損失がさらに拡大する可能性があります。
モデルリスクも無視できません。検証期間、ヘッジ比率、取引のしきい値を少し変えただけで、結果が大きく変化することがあります。過去に強く見えた関係が、膨大な組み合わせを探索した結果として偶然発見されたものかもしれません。
執行リスクは、理論上の優位性を削ります。両方の注文を同時に約定できなければ、ポートフォリオは一時的に市場方向へさらされます。流動性の低下、売買スプレッドの拡大、借りた株式の返還要求も収益を悪化させます。
さらに、ペアトレードが自動的に市場中立になるわけではありません。同じ金額のロングとショートでも、ベータ、ボラティリティ、業種感応度、流動性は異なる可能性があります。市場が混乱すると相関関係が急変し、分散されているように見えた複数のペアが同時に損失を出すこともあります。
ペアトレードの魅力は、市場全体の方向ではなく、資産間の相対的な関係を分析対象にできることです。しかし、平均回帰は保証された法則ではなく、継続的に検証すべき仮説です。堅牢な運用には、関係の有効性を定期的に見直し、ポジション上限や構造変化を意識した損切りルールを設け、コストを現実的に反映し、真に独立した取引機会へ分散することが求められます。