何を収益とするか：対数収益とノーポジション日の扱い
バックテストや実運用のパフォーマンスを評価する際、最初の落とし穴は「リターンの定義そのもの」に潜んでいます。時点 \(t\) における戦略の資産価値（Equity）を \(V_t\)、同時期の無リスク金利（リスクフリーレート）を \(r_{f,t}\) と定義します。定期間隔における超過対数収益（Log Excess Return）は以下の数式で定義されます。
※日次・週次など一定の観測時間間隔で資産価値比の自然対数を算出します。
- 時間加法性（足し算で期間合算できる）：単純な収益率 \(R_t = (V_t - V_{t-1})/V_{t-1}\) は期間合算に積 \((1+R_1)(1+R_2)\dots\) を要しますが、対数収益なら単に合計するだけで通算収益になります（\(\sum r_t = \ln(V_T / V_0)\)）。
- 幾何学的対称性（上昇と下落が釣り合う）：100万円の資金が110万円に増え（+10%）、翌日に100万円に戻った（-9.09%）場合、単純平均は \((+10\% - 9.09\%) / 2 = +0.45\%\) となり、元本が変わっていないのに利益が出ているように錯覚します。対数収益であれば \(\ln(1.10) pprox +0.0953\) と \(\ln(100/110) pprox -0.0953\) で合計も平均も厳密にゼロになります。
- ボラティリティによる幾何減価の把握：日次変動が大きくなるほど、算術平均と幾何平均（対数収益平均）の乖離は広がり、近似的に \(\mu_{log} pprox \mu_{arith} - rac{\sigma^2}{2}\) の関係が成り立ちます。このボラティリティ・ドラッグ（複利減価）を正確に評価できます。
最も危険なミス：「取引があった日」だけでリターン系列を作る
初心者のバックテストで頻発する重大な過ちが、「トレードが発生した日の損益だけを抽出し、ノーポジションの待機日をデータから削除してシャープレシオを計算する」という行為です。
年間250営業日のうち50日しかトレードしなかった場合、残り200日のリターンは \(0\)（無リスク金利考慮なら \(-r_f\)）です。ノーポジション日を除外すると、「資本が拘束されていた待機時間」「市場に機会が訪れなかったコスト」が完全に消滅し、分母のボラティリティが人工的に圧縮され、シャープレシオが見かけ上 \(2\sim 3\) 倍に跳ね上がります。日次シャープレシオを算出する際は、必ずポジションの有無を問わず全営業日の口座資産推移を使用しなければなりません。
Sharpe Ratioは確率変数である：サンプリング分布の衝撃
過去 \(T\) 期の超過対数収益系列 \(\{r_1, r_2, \dots, r_T\}\) から、標本平均 \(ar{r}\) と不偏標本分散 \(s^2\) を求めます。
このとき、観測される標本シャープレシオ（Sample Sharpe Ratio）は次のように定義されます。
ここで重要なのは、記号の上のハット（\(\widehat{ ext{}}\)）です。これは「市場の真のシャープレシオ（母集団パラメータ \( ext{SR}\)）」ではなく、「ノイズを含む過去の1本の実現履歴から得られた推定値」であることを意味します。
リターンが正規分布に従う場合、標本シャープレシオの標準誤差（Standard Error）はおおむね以下の式で近似されます。
例えば、1年分の日次データ（\(T = 252\)）で \(\widehat{ ext{SR}}_{daily} = 0.08\)（年率換算で約 \(1.27\)）が出たとします。このときの推定量の標準誤差は年率換算で約 \(\pm 0.4\) に達します。すなわち、95%信頼区間は \([1.27 - 1.96 imes 0.4, 1.27 + 1.96 imes 0.4] pprox [0.49, 2.05]\) です。
「年率シャープレシオ1.27」という立派な数字に見えても、真の実力は「0.5（凡庸なインデックス並み）」から「2.0（トップヘッジファンド並み）」までの広大な幅の中のどこかにあることしか分からないのです。
年率化の数理と平方根則（\(\sqrt{q}\)）の崩壊
日次シャープレシオを年率化する際、業界で広く使われているのが「平方根則（Square Root of Time Rule）」です。1年に \(q\) 期（日次なら \(q = 252\)、週次なら \(q = 52\)、月次なら \(q = 12\)）ある場合、年率シャープレシオは以下のように変換されます。
しかし、この単純な \(\sqrt{q}\) 倍が数学的に成立するのは、「各期間のリターンが独立同分布（I.I.D.: Independent and Identically Distributed）」である場合に限られます。現実の金融市場において、リターン系列が完全な独立同分布であることはまずありません。
| 観測頻度 | 年率化係数 \(q\) | メリット | 実務上の主なリスク・注意点 |
|---|---|---|---|
| 日次 (Daily) | \(q = 252\)（またはFXで260） | サンプル数 \(T\) を稼ぎやすく、標準誤差を圧縮しやすい。 | スプレッドやロールオーバー損益の影響が大きい。ポジション持ち越し時の自己相関に注意。 |
| 週次 (Weekly) | \(q = 52\) | 日中のノイズや曜日効果が平滑化され、中長期トレンドに適合。 | 1年で \(T = 52\) しか得られず、統計的信頼性を得るには最低3〜5年の期間が必要。 |
| 月次 (Monthly) | \(q = 12\) | ヘッジファンド開示の標準形式。流動性の低い資産に適する。 | 10年運用しても \(T = 120\) にとどまり、標準誤差が極めて大きい。標本不足になりやすい。 |
自己相関とファットテール（非正規性）の歪み
Andrew W. Lo（2002）の先駆的研究が示した通り、リターン系列に自己相関（Autocorrelation）が存在する場合、複数期のリターンの分散には「自己共分散」が加算されます。ラグ \(k\) の自己共分散を \(\gamma_k\) とすると、\(q\) 期間合計リターンの分散は以下のようになります。
非正規性（歪度と尖度）の影響
FXやオプションの損益分布は、正規分布とは程遠い形状をしています。特にトレンドフォロー戦略は「小さな負けを積み重ねて時折特大の勝ちを得る（正の歪み、右に裾が長い）」傾向があり、逆にグリッドやトラリピ、売り戦略は「コツコツ勝ち続けてドカンと吹き飛ぶ（負の歪み、左に裾が長い）」傾向を持ちます。
負の歪み（Negative Skewness）と巨大な超過尖度（Fat Tail）を持つ戦略では、正規分布を前提とした標準誤差公式は不確実性を劇的に過小評価します。これを数学的に補正するのが、次講で学ぶ「PSR（確率的シャープレシオ）」です。
import numpy as np
import scipy.stats as stats
# 日次超過対数収益系列 r の点検
r = np.log(equity / equity.shift(1)).dropna() - r_f_daily
mean = r.mean()
std = r.std(ddof=1)
daily_sr = mean / std
annual_sr = daily_sr * np.sqrt(252)
skew = stats.skew(r, bias=False)
excess_kurt = stats.kurtosis(r, fisher=True, bias=False)
jb_stat, jb_pvalue = stats.jarque_bera(r)
autocorr_1 = r.autocorr(lag=1)
print(f"サンプル数 T: {len(r)}")
print(f"日次SR: {daily_sr:.4f}, 年率SR (単純): {annual_sr:.2f}")
print(f"歪度 (Skewness): {skew:.3f} (0なら対称)")
print(f"超過尖度 (Kurtosis): {excess_kurt:.3f} (0なら正規分布)")
print(f"Jarque-Bera検定 p値: {jb_pvalue:.4e} (p < 0.05 なら非正規)")
print(f"ラグ1自己相関: {autocorr_1:.3f}")実務で必須となる8大報告項目
クオンツ・ヘッジファンドの実務では、単に「SR = 1.8」とだけ書かれたレポートは即座に突き返されます。推定量の信頼性を検証するために、以下の8項目を必ずセットで開示してください。
| 項目 | 開示内容 | 実務上の確認ポイント |
|---|---|---|
| 1. 収益系列の定義 | 超過対数収益（Log Excess Return） | 単純変化率か対数収益かを明記。ノーポジション日（\(r=0\)）を含んでいるか。 |
| 2. 観測頻度 | 日次・週次・月次・ティック | 日足の確定時刻（NYクローズ 17:00 ET等）を固定しているか。 |
| 3. サンプル数 \(T\) と期間 | 例: \(T = 1,250\) 日（2020年1月〜2024年12月） | \(T < 30\) の場合は統計的信頼性なし（サンプル不足）と明記する。 |
| 4. 年率化の手順 | \(\sqrt{252}\) 単純倍か、Lo補正か | 年間営業日数の定義と自己相関考慮の有無を併記。 |
| 5. 取引コスト・無リスク金利 | スプレッド、手数料、金利 \(r_f\) | 実効スプレッドとスリッページがリターンから控除されているか。 |
| 6. 歪度と超過尖度 | Skewness, Excess Kurtosis | Jarque-Bera検定のp値を開示し、正規分布からの乖離度を示す。 |
| 7. 主要ラグの自己相関 | \( ho_1, ho_2, \dots\) | リターン系列に持続性やポジション重複の影がないか。 |
| 8. 推定量の信頼区間 | 95% Confidence Interval | 平均収益の95%信頼区間がゼロを含んでいないか（\(p < 0.05\)）。 |
Sharpe Ratioが「不確実な推定量」であると理解した次に向かうべき問いは、「観測されたSRが、基準値（例えば0やインデックス）を統計的に上回っている確率は何%か？」、そして「何百回もバックテストを繰り返した中から選ばれたSRは、どれほど割り引く（デフレートする）必要があるのか？」です。これを解決するのが第2回の「PSR（確率的シャープレシオ）」と「DSR（デフレーテッド・シャープレシオ）」です。
ミニテスト
講義の理解度を4問のテストで確認します。
Q1. バックテストから得られた標本シャープレシオ（SR̂）の正しい解釈はどれ？
正解はBです。観測シャープレシオは標本統計量であり、期間や相場経路によって変動します。点推定値だけでなく信頼区間や標準誤差を意識する必要があります。
Q2. 日次ベースの戦略シャープレシオを計算する際、リターン系列に含めるべきものはどれ？
正解はCです。ノーポジション日を除外すると、資本拘束や機会待ちのコストが隠蔽され、ボラティリティが人工的に圧縮されてシャープレシオが見かけ上過大評価されてしまいます。
Q3. 日次シャープレシオに \(\sqrt{252}\) を掛ける単純年率化が危険（歪みを生む）となる条件はどれ？
正解はAです。平方根則（\(\sqrt{q}\)）は各期間が独立同分布（I.I.D.）であることを前提としています。自己相関がある場合、複数期の分散に自己共分散が加算されるため、見かけの年率SRが歪みます。
Q4. クオンツ戦略の評価において、シャープレシオの数値と一緒に必ず開示すべき項目はどれ？
正解はBです。推定量の信頼性を読者が判定できるように、サンプルサイズ、観測頻度、歪度・尖度、自己相関、コスト条件を併記することがプロの標準仕様です。
学術文献・参考資料
本講で解説したシャープレシオの推定量としての統計的性質、年率化の限界、自己相関による歪みの数理的証明は、以下の古典的論文に基づいています。
- Andrew W. Lo (2002), "The Statistics of Sharpe Ratios", Financial Analysts Journal, Vol. 58, No. 4, pp. 36-52.
- William F. Sharpe (1966), "Mutual Fund Performance", Journal of Business, Vol. 39, No. 1, pp. 119-138.
- William F. Sharpe (1994), "The Sharpe Ratio", Journal of Portfolio Management, Vol. 21, No. 1, pp. 49-58.