統計的裁定取引（Statistical Arbitrage、通称Stat Arb）とは、データと統計モデルを利用して、関連する金融商品の間に生じた一時的な価格のずれを見つけるクオンツ取引手法です。一般には、相対的に割安と判断された資産を買い、割高と判断された資産を空売りします。その後、両者の価格関係が通常の状態へ戻れば、収益を得られる可能性があります。
ただし、名称に「裁定取引」と付いていても、必ず利益を確保できる無リスクの取引ではありません。伝統的な裁定取引は、同一または実質的に同等の資産に存在する明確な価格差を利用します。一方、統計的裁定取引が利用するのは、過去のデータから推定された確率的な関係です。過去に安定していた関係が将来も続くとは限らず、モデルが想定した方向とは逆に価格が動く可能性もあります。
どのように機能するのか
最初の工程は、市場データの収集と分析です。価格、リターン、出来高、ボラティリティ、業種分類などを調べ、複数の資産が互いにどのような関係で動いているかを明らかにします。
多くの戦略は「平均回帰」という考え方を基礎にしています。これは、価格差や相対価格が過去の平均から大きく外れた場合、やがて通常の範囲へ戻る可能性があるという考え方です。
例えば、同じ業種に属する2社の株価が、長期間にわたり比較的安定した関係を示していたとします。一方の株価だけが急上昇し、もう一方が取り残された場合、モデルはその乖離を取引機会として検出することがあります。
この場合、相対的に弱い銘柄を買い、強い銘柄を空売りします。価格差が縮小すれば、組み合わせたポジション全体で利益が生じる可能性があります。市場全体の上昇や下落を直接予想するのではなく、2つの資産の相対的な動きを捉えることが目的です。
ロングとショートを組み合わせることで、市場全体の方向に対する感応度を抑えられる場合があります。しかし、リスクが完全になくなるわけではありません。乖離がさらに拡大したり、収束までに想定以上の時間がかかったり、両者の関係そのものが消滅したりすることもあります。
ペアトレードとの関係
ペアトレードは、統計的裁定取引の中でも理解しやすい方法です。事業内容が似ている、同じ経済要因の影響を受ける、あるいは価格に統計的な関係が認められる2つの銘柄を組み合わせます。
候補の選定に相関係数を使うこともありますが、高い相関だけで長期的に安定した関係が証明されるわけではありません。一定期間は同じ方向に動いていた資産が、突然異なる動きを示すこともあります。そのため、より厳密な戦略では、共和分分析、距離法、時系列モデルなどを利用します。
機関投資家が運用する統計的裁定取引は、1組のペアに限定されないのが一般的です。数十から数百のロング・ショートポジションを保有し、各銘柄を相対的な魅力度によって順位付けする場合があります。
その後、市場、業種、地域、企業規模、ボラティリティ、投資スタイルなどへの意図しない偏りを抑えるように、ポジションの比率を調整します。多数の銘柄へ分散することで、個別企業に固有の出来事がポートフォリオ全体へ与える影響を小さくすることが狙いです。
戦略を構築する主な工程
最初に取引対象を定めます。株式、ETF、先物、通貨などが対象になりますが、流動性が低い商品や、データの信頼性が低い商品、空売りが難しい商品は除外されることがあります。
次に、データを整備してモデルを開発します。市場データには欠損値、異常値、株式分割や配当による価格調整、取得時刻のずれなどが含まれる可能性があります。適切な処理を行わずにモデルを作ると、誤った関係や実行不可能な収益機会を見つけてしまいます。
モデルは各資産にスコアを付けたり、売買シグナルを生成したりします。高いスコアの資産をロング候補、低いスコアの資産をショート候補とする方法が考えられます。ただし、シグナルが出ただけで取引を実行するわけではありません。期待される利益が、手数料やスプレッドなどのコストとリスクを十分に上回る必要があります。
ポートフォリオ構築では、各ポジションの規模を決め、レバレッジ、業種への集中、個別銘柄への投資額などを制限します。市場中立を目指す場合には、市場全体の値動きに対する感応度や、既知のリスク要因への偏りを可能な範囲で小さくします。
最後に、注文を執行し、ポジションを継続的に監視します。価格差が収束したとき、シグナルが反転したとき、保有期限に達したとき、またはリスク上限を超えたときにポジションを閉じます。
自動化が重要な理由
統計的裁定取引が狙う価格差は小さいことが多く、取引機会が短時間で消える場合もあります。多数の資産を継続的に監視し、シグナルを更新しながらポジションを調整する作業を、人間だけで行うことは困難です。
自動化されたシステムは、データ処理、シグナルの計算、ポートフォリオの最適化、注文執行を一貫して行えます。しかし、自動化は誤りを高速で拡大させる危険もあります。入力データの異常、プログラムの不具合、誤った前提条件があれば、短時間で大量の不適切な取引が発生する可能性があります。
そのため、データ検証、ポジション上限、リアルタイム監視、異常検知、緊急停止機能などが不可欠です。モデルの想定範囲を超えた市場環境では、人間による判断も重要になります。
主なリスク
最も重要なものの一つがモデルリスクです。過去のデータから発見されたパターンが偶然であったり、特定の期間だけに過度に適合していたりする可能性があります。過去検証で高い成績を示したモデルでも、実際の市場では同じ結果を再現できないことがあります。
企業の合併、倒産、規制変更、技術革新、事業構造の変化も、資産間の関係を崩す原因です。このような場合、価格の乖離は一時的な誤価格ではなく、正当な構造変化を反映している可能性があります。
取引コストも無視できません。売買回転率が高い戦略では、手数料、売買スプレッド、スリッページ、市場への影響、空売りに必要な借株料が理論上の利益を大きく減らすことがあります。
レバレッジと資金調達にも注意が必要です。モデルの予測が最終的に正しくても、収束までに大きな含み損が発生すれば、追加証拠金を求められたり、望まないタイミングでポジションを解消させられたりする可能性があります。
多くの運用者が似たデータやモデルを使うことで、同じポジションへ集中する「混雑取引」も発生します。ある投資家の急な売却が他のポートフォリオの損失を拡大し、連鎖的な手仕舞いを引き起こすことがあります。
評価するときのポイント
戦略を評価する際は、過去の収益率だけを見るべきではありません。最大ドローダウン、ボラティリティ、リスク調整後リターン、売買回転率、取引コスト、運用可能な資金規模、異なる市場環境における成績を確認する必要があります。
バックテストでは、未来の情報を誤って利用する先読みバイアス、現在まで存続した銘柄だけを対象にする生存者バイアス、過剰適合などを避けなければなりません。アウト・オブ・サンプル検証やローリング検証、ストレステストを行うことで、モデルの実用性をより現実的に判断できます。
統計的裁定取引の強みは、小さな確率的優位性を、分散されたポートフォリオへ体系的に適用できる点にあります。一方で、統計的な関係は利益を保証するものではありません。継続的な成果を目指すには、質の高いデータ、堅牢な研究、現実的なコスト計算、厳格なリスク管理、そして変化する市場への適応が必要です。