第 12 課：市場状態の認識

目標: システムに「今どの市場にいるか」を認識させ、適切な戦略を選択できるようにする。

典型的なシナリオ（例示）

注: 以下は一般的な現象を説明するための架空の例です。数値は例示的なものであり、特定の機関/商品に対応するものではありません。

2021年初頭、あるクオンツファンドは2つの戦略を同時に運用していました：トレンドフォローイングと平均回帰です。両方の戦略は、それぞれ有利な市場で優れたパフォーマンスを発揮しました。

問題は、固定ウェイト（各50%）を使用していたことです。

結果:

• トレンド市場では、トレンド戦略が20%上昇、平均回帰が15%損失、純利益2.5%
• レンジ市場では、平均回帰が15%上昇、トレンド戦略が20%損失、純損失2.5%
• 年間を通じて、両者が相殺し合い、リターンはほぼゼロに

競合他社は？同じ2つの戦略ですが、Regime Detectionモジュールを追加しました：

• トレンド市場では、トレンド戦略のウェイト80%、平均回帰20%
• レンジ市場では、逆転

結果: 年間リターン18%、シャープレシオ1.6。

**違いは何か？**戦略自体ではなく、いつどの戦略を使うべきかを知っていることです。これがRegime Detectionの価値です - マルチエージェントシステムの「ルーター」です。

12.1 Market Regimeとは

3つの基本状態

市場は常に何らかの「状態」にあります。状態間の境界は明確ではありませんが、大まかに分類できます：

なぜRegime Detectionはこんなに難しいのか？

紙上演習: 過去の状態を識別する

次のデータを見て、各期間の市場状態を判断してください：

12.2 Regime Detectionの4つの方法

方法の比較

方法1: ルールベース（最も実用的）

テクニカル指標の閾値の組み合わせで状態を判断：

紙上演習: ルールを設計する

以下の市場データが与えられた場合、上記のルールを使用して状態を判断してください：

方法2: Hidden Markov Model (HMM)

HMMは、市場がいくつかの隠れた状態を切り替えると仮定します - 私たちは価格のみを観察でき、真の状態は観察できません。

HMMの主要な出力:

• 状態確率: 現在各状態にある確率（例: Trending 60%, Ranging 30%, Crisis 10%）
• 遷移確率: ある状態から別の状態に切り替わる確率

紙上演習: 状態確率を理解する

HMMが現在の状態確率を次のように出力: Trending 55%, Ranging 35%, Crisis 10%

重要な洞察: 状態確率を直接戦略ウェイトとして使うべきではない - リスク選好に基づいて調整が必要です。

# Note: This is illustrative code showing basic HMM usage
# Requires hmmlearn: pip install hmmlearn

import numpy as np
from hmmlearn import hmm

class RegimeDetector:
    """HMM-based market regime detector"""

    def __init__(self, n_states: int = 3):
        self.n_states = n_states
        self.model = hmm.GaussianHMM(
            n_components=n_states,
            covariance_type="full",
            n_iter=100
        )

    def fit(self, features: np.ndarray):
        """
        Train HMM model

        features: shape (n_samples, n_features)
                  typically includes: returns, volatility, ADX, etc.
        """
        self.model.fit(features)
        return self

    def predict_proba(self, features: np.ndarray) -> np.ndarray:
        """
        Predict current state probability

        Returns: shape (n_states,) probability distribution
        """
        # Get posterior probabilities
        posteriors = self.model.predict_proba(features)
        return posteriors[-1]  # Latest time point probability

    def get_regime(self, features: np.ndarray, threshold: float = 0.5) -> str:
        """
        Get current state (with confidence threshold)
        """
        probs = self.predict_proba(features)
        max_prob = np.max(probs)
        max_state = np.argmax(probs)

        if max_prob < threshold:
            return "uncertain"

        state_names = ["trending", "mean_reverting", "crisis"]
        return state_names[max_state]

方法3: Volatilityクラスタリング（実用的な変種）

簡略化されているが実用的なアプローチは、Volatility状態のみを見ることです：

なぜVolatilityはこんなに重要なのか？

• Volatilityは市場の「体温」、市場の健全性を素早く反映
• Volatilityにはクラスタリング効果がある（高Volatilityは高Volatilityに続く傾向）
• Volatilityはリターンよりも予測可能

12.3 Regime Detectionの評価

Regime Detectionは目的ではありません - 目的は戦略リターンの改善です。したがって、評価基準は「精度」ではなく「戦略により多くのお金を稼がせたか」です。

評価フレームワーク

紙上演習: Regime Detectionの価値を計算する

シナリオ: あなたのRegime Detectionモジュールの過去1年のパフォーマンス：

戦略パフォーマンス比較:

質問:

1. Regime Detectionの純付加価値は何か？
2. 誤切り替え率が10%に低下した場合、期待リターンはどう変化するか？
3. 切り替えコストが高すぎる場合、どうすべきか？

切り替え遅れのコスト

結論: 遅れすぎるよりは、多少の誤検出があった方が良い。特にCrisis検出は速くなければならない。

12.4 よくある誤解

誤解1: Regime Detectionの精度が高いほど常に良い

完全には正しくありません。評価基準は「精度」ではなく「戦略により多くのお金を稼がせたか」です。80%の精度でも切り替えコストがリターンを食い潰すなら、切り替え回数が少ない60%の精度より悪いです。

誤解2: Trend/Rangingは二値判断である

実際には、ほとんどの場合、市場は「グレーゾーン」にあります。二値判断を強制すると頻繁な誤切り替えにつながります。正しいアプローチ: 確率ウェイトを使用（Trend 60%/Ranging 40%）または「Transition期間」を認める。

誤解3: 状態変化を検出したら直ちに戦略を切り替える

危険なアプローチです。切り替え自体にコストがあり（取引コスト、スリッページ）、頻繁な切り替えは全ての利益を失う可能性があります。正しいアプローチ: 確認遅延（状態がN日持続）+ 段階的切り替え（50%->70%->90%）。

誤解4: Crisis検出は「確認を待つ」ことができる

Crisis検出は速くなければなりません。確認する頃には、20%を失っている可能性があります。Crisisの誤検出（稼ぎが少ない）の方が、見逃す（大損）よりも良いです。

12.5 Transition期間の処理

実際に最も処理が難しいのは、明確なTrendやRangingではなく、Transition期間です - 状態が変化しているが、まだ確実ではない。

Transition期間の特徴

Transition期間の戦略

推奨: ほとんどの投資家にとって、**戦略3（リスク優先）**が最も安全な選択です。Transition期間は、しばしば最もリスクが高い期間です。

12.5 マルチエージェントの視点

マルチエージェントアーキテクチャでは、Regime DetectionはMeta Agentのコア能力です。

アーキテクチャ設計

Regime Agentの責任

他のAgentとの協働

受け入れ基準

このレッスンを完了した後、これらの基準で学習を確認してください：

総合演習

あなたのRegime Detectionシステムを設計する:

1. 検出方法を選択（ルールベース/HMM/その他）し、理由を説明
2. 入力特徴と閾値を定義
3. Transition期間の処理戦略を設計
4. 切り替え確認条件を設定（過剰切り替えを防止）
5. 評価指標を定義

レッスン成果物

このレッスンを完了すると、次のものが得られます：

1. Regime Detection設計フレームワーク - 方法選択から評価指標までの完全な思考
2. 実用的なルールベーステンプレート - 直接使用可能なADX/Volatility/相関判断ルール
3. Regime Detectionの価値を評価する方法 - 純付加価値 = リターン改善 - 切り替えコスト
4. Transition期間の処理戦略 - 3つのアプローチとそのユースケース

レッスンまとめ

• 市場Regimeの概念とそれが戦略選択に与える影響を理解
• 4つのRegime Detection方法をマスター: ルールベース、統計的、ML、HMM
• Regime Detection評価は「精度」ではなく「経済的価値」であることを理解
• Transition期間の処理戦略をマスター

参考資料

• Lesson 05: Classic Strategy Paradigms - 異なる状態の戦略
• Lesson 11: Why Multi-Agent - マルチエージェントにおけるRegime Detectionの役割
• Background: Famous Quant Disasters - Crisis状態の検出に失敗した結果

次回レッスンのプレビュー

Lesson 13: Regime Misjudgment and Systemic Collapse

Regime Detectionはマルチエージェントシステムのコアですが、間違いを犯します - 誤判断、遅れ、境界振動。次のレッスンでは、Regime Detectionの5つの失敗モードを深く掘り下げ、システム崩壊を防ぐための縮退戦略を設計する方法を学びます。