GARCHモデル：実務におけるボラティリティ予測

要点

GARCH(1,1)は導入から40年を経た現在もボラティリティ予測の主力モデルであり続けており、わずか3つのパラメータで条件付き分散ダイナミクスの90%以上を捉えます。EGARCHやGJR-GARCHといった非対称拡張モデルはレバレッジ効果をモデル化することで市場ストレス時のパフォーマンスを改善しますが、HansenとLunde（2005）は330のGARCH変形モデルを比較した結果、適切に推定されたGARCH(1,1)を一貫して上回るモデルは見つかりませんでした。実務的な教訓は明確です：モデルの簡潔性がアウトオブサンプル予測において複雑性を上回ることが多いです。

固定ボラティリティから条件付きボラティリティへ

Robert Engleが1982年に画期的な論文を発表するまで、金融計量経済学はボラティリティを定数として扱っていました。ポートフォリオ最適化はサンプル全体から導出された単一の分散推定値を使用し、リスク指標は安定的な分布を仮定し、オプションはボラティリティが既知の固定パラメータであるという前提で価格付けされていました。市場を数ヶ月以上観察した人であれば、これが誤りであることを知っていました。ボラティリティはクラスタリングします：穏やかな期間は持続し、激動の期間も持続します。1987年10月の暴落、1997年のアジア金融危機、2008年のグローバル金融危機のすべてが、固定分散モデルでは捉えられない劇的なボラティリティクラスタリングを示しました。

Engle（1982）は自己回帰条件付き不均一分散（ARCH）モデルでこの観察を定式化しました。分散を固定値として扱う代わりに、ARCHモデルは時点tにおける条件付き分散が過去のリターンショックの二乗に依存することを許容します。最も単純なARCH(1)仕様は以下の通りです：

h(t) = omega + alpha * epsilon(t-1)^2

ここでh(t)は条件付き分散、omegaは基準分散水準、epsilon(t-1)は前期のリターンショック、alphaは昨日のショックが今日の分散推定にどの程度強く影響するかを決定します。alphaが大きい場合、大きなリターンショック（正または負）は次期の推定分散を大幅に増加させます。alphaが小さい場合、モデルは固定分散に近づきます。

ARCHモデルはEngleに2003年ノーベル経済学賞の共同受賞をもたらしました。しかし元の定式化には実務的な限界がありました：ボラティリティクラスタリングの緩やかな減衰を捉えるには多くのラグ付きリターンショックの二乗（高次ARCH）が必要であり、多くのパラメータの推定を要し、不安定な推定値を生じさせることがしばしばありました。

GARCH(1,1)のブレークスルー

Bollerslev（1986）は一般化ARCHモデル、すなわちGARCHでこの簡潔性の問題を解決しました。核心的な洞察は、ラグ付き条件付き分散自体を予測変数として含めたことです：

h(t) = omega + alpha * epsilon(t-1)^2 + beta * h(t-1)

この単一の方程式、GARCH(1,1)はリターンショックの即時的影響（alphaを通じて）と過去のボラティリティの持続性（betaを通じて）の両方を捉えます。パラメータbetaはリターンショック二乗の全履歴に対する指数平滑ウェイトとして機能し、わずか3つのパラメータで長期持続するボラティリティクラスターを生成します。

alpha + betaの和が持続性パラメータです。この和が1に近い場合、ボラティリティへのショックはゆっくりと消滅し、無条件分散omega / (1 - alpha - beta)は大きくなります。和がちょうど1の場合、プロセスは積分GARCH（IGARCH）であり、ボラティリティショックは完全には消滅しません。日次株式リターンの実証的推定は通常、alpha + betaを0.97から0.995の間で算出し、非常に高い持続性を示します。

以下の表は、日次リターンを使用した主要資産クラスの典型的なGARCH(1,1)パラメータ推定値を示します：

半減期の列は、ボラティリティショックが初期影響の半分に減衰するまでの日数を示しており、ln(0.5) / ln(alpha + beta)で計算されます。持続性が高いほどショックはより長く反響し、リスク管理期間とオプション価格決定にとって重要です。

レバレッジ効果：下落がボラティリティを増幅させる理由

GARCH(1,1)が見逃す現象の一つは、正のリターンと負のリターンに対するボラティリティ応答の非対称性です。実証的に、負のリターンショックは同じ大きさの正のショックよりも後続のボラティリティをより大きく増加させます。これがレバレッジ効果であり、Black（1976）が最初に文書化しました。彼は株価の下落が企業のレバレッジ比率を上昇させ、株式をより変動性の高いものにすると仮説を立てました。

二つの主要な拡張モデルがこの非対称性に対処します。

Nelson（1991）は分散そのものではなく分散の対数をモデル化する指数GARCH（EGARCH）モデルを提案しました：

ln h(t) = omega + alpha * [|z(t-1)| - E|z(t-1)|] + gamma * z(t-1) + beta * ln h(t-1)

ここでz(t-1)は標準化残差です。パラメータgammaが非対称性を捉えます：gammaが負の場合、負のショックは正のショックよりもボラティリティをより大きく増加させます。このモデルは対数スケールで作動するため、パラメータ制約なしに条件付き分散が常に正であることを自動的に保証します。

Glosten、Jagannathan、Runkle（1993）は指示関数を追加するGJR-GARCHモデルを提案しました：

h(t) = omega + (alpha + gamma * I(t-1)) * epsilon(t-1)^2 + beta * h(t-1)

ここでI(t-1)はepsilon(t-1)が負の場合に1、それ以外は0です。パラメータgammaは負のショックの追加的ボラティリティ影響を捉えます。S&P 500の場合、典型的な推定値はgammaを約0.10から0.15とし、これは負の2%リターンが正の2%リターンよりも翌日の条件付き分散を約50～75%多く増加させることを意味します。

以下の表は、S&P 500日次リターン（1990-2024）に対するこれらの仕様のモデル適合度を比較します：

非対称モデル（EGARCH、GJR-GARCH、TGARCH）は情報量基準において対称GARCHを一貫して上回ります。第二のGARCHラグの追加（GARCH(2,1)）はほとんど改善をもたらさず、追加ラグよりもレバレッジ効果の方が重要であることを確認しています。

実務におけるパラメータ推定

GARCHパラメータは通常、最尤法により推定されます。標準化残差が正規分布に従うという仮定の下、T個の観測値サンプルの対数尤度関数は以下の通りです：

L = -0.5 * sum[ln(h(t)) + epsilon(t)^2 / h(t)]

実務では、金融リターンは正規分布よりも厚い裾を示すため、Student-t分布または一般化誤差分布（GED）が一般的に使用されます。誤差分布の選択は推定パラメータとテールリスク予測の品質に影響します。

安定した推定のためにいくつかの実務的考慮事項が重要です。サンプルサイズは安定したパラメータ推定値を得るために少なくとも1,000の日次観測値（約4年間）が必要です。最適化ルーチンは利用可能な場合は解析的勾配を使用し、結果は局所最適を避けるために複数の初期値に対して検証する必要があります。標準誤差はBollerslevとWooldridge（1992）のロバスト（サンドウィッチ）推定量を使用して計算する必要があり、誤差分布が誤って特定された場合でも有効です。

よくある落とし穴は、構造変化を考慮せずに非常に高いbeta推定値（0.95以上）を解釈することです。サンプルが根本的なレジーム変化（高インフレから低インフレへの移行など）を含む期間にまたがる場合、GARCHモデルは結果的な分散シフトを極端な持続性に帰属させ、betaを過大推定してモデルの予測精度を低下させます。

予測精度：実務で何が有効か

HansenとLunde（2005）はGARCH型モデルの最も包括的な比較を行い、IBM株式リターンとDM/USD為替レートリターンの日次ボラティリティ予測のために330の異なる仕様を評価しました。彼らの発見は驚くほど明確でした：

為替レートデータについては、GARCH(1,1)を有意に上回るモデルはありませんでした。株式データについては、非対称モデル（EGARCH、GJR-GARCH）が対称GARCHに対して統計的に有意な改善を提供しました。レバレッジ効果は、負のリターン-ボラティリティ相関がより強い株式市場において、為替市場よりも顕著です。

以下の表は、GARCH(1,1)に対する平均二乗誤差（MSE）で測定したアウトオブサンプル予測精度を要約します（1.00に正規化）：

1.00未満の値はGARCH(1,1)よりも良い予測精度を示します。パターンは一貫しています：非対称モデルは株式ボラティリティ予測を6～7%改善し、債券では限定的な改善を提供し、為替ではほとんど意味がありません。より複雑な対称モデルはほとんど役立ちません。

リスク管理とオプション価格決定における応用

GARCHモデルは現代金融において二つの主要な実務機能を果たします。

リスク管理において、GARCHベースのVaR（バリューアットリスク）とExpected Shortfall（ES）計算は、現在のボラティリティレジームに条件付きでリスク推定値を調整します。安定期にはGARCHベースのVaRが縮小し、同じリスク予算内でより大きなポジションを許容します。激動期には拡大し、自動的にポジションサイズを縮小します。この条件付きアプローチは無条件の方法よりも正確なリスク予測を生み出し、特にBasel IIIなどの規制フレームワークで使用される1日および10日の期間において優れています。

オプション価格決定において、GARCHモデルは離散時間の計量経済モデリングと連続時間のオプション評価の間のギャップを橋渡しします。Duan（1995）は、過去のリターンから推定されたGARCHパラメータをリスク中立測度下でのオプション価格決定に使用できる局所的リスク中立評価関係（LRNVR）を開発しました。核心的な洞察は、GARCHが捉えたボラティリティの持続性がインプライドボラティリティの期間構造に変換されるということです：高い持続性（alpha + betaが1に近い）はより平坦な期間構造を生成し、低い持続性はより急峻な期間構造を生成します。非対称GARCHモデルは追加的にインプライドボラティリティスキューを生成し、市場が下方リスクをより重く価格に反映する傾向を捉えます。

限界と現代的代替手法

GARCHモデルは通常日次の単一頻度で作動します。集約なしには日中データの情報内容を活用できず、集約は潜在的に価値のある高頻度シグナルを破棄します。日中リターンから構成された実現ボラティリティ測定値はより正確な日次分散推定値を提供し、複数の期間で同時に予測するHAR（異質的自己回帰）モデルへの入力として使用できます。

GARCHモデルは条件付き分散方程式にパラメトリックな構造を仮定しますが、中央銀行の政策転換や地政学的ショックなどの突然のレジーム変化に十分速く適応できない可能性があります。レジームスイッチングGARCHモデルは、追加パラメータと推定の複雑さを代償に、異なる市場状態で異なるパラメータセットを許容することでこれに対処します。

LSTMニューラルネットワークやツリーベースモデルを含む機械学習アプローチは、GARCHの線形分散方程式が見逃す非線形パターンを捉えることでボラティリティ予測に有望性を示しています。しかし、これらのモデルは大幅により多くのデータを必要とし、過学習に陥りやすく、GARCHモデルを規制報告とリスクコミュニケーションに有用にする解釈可能性が欠如しています。

これらの限界にもかかわらず、GARCHはいくつかの理由で標準であり続けます：計算が高速で、理論的根拠があり、解釈が容易で、数十年の実証的証拠によって十分に裏付けられています。リスク管理とデリバティブ価格決定のほとんどの実務応用において、適切に推定されたGARCH(1,1)またはGJR-GARCH(1,1)が適切な出発点であり続けます。

実行可能な結論

GARCHファミリーのモデルは、ボラティリティを固定パラメータから動的で予測可能な量へと変革しました。実務家にとって、エビデンスは明確な階層を支持します：簡潔性と頑健性のためにGARCH(1,1)から始め、レバレッジ効果が重要な株式ボラティリティをモデル化する際にGJR-GARCHまたはEGARCHにアップグレードし、追加パラメータが予測を改善するという強力なアウトオブサンプルのエビデンスがない限り、複雑性の追加（高次、エキゾチックな分布、レジームスイッチング）の誘惑を避けるべきです。alpha + betaの和が最も重要な単一の診断指標です；0.98以上の値は高い持続性を示し、ボラティリティレジーム転換が遅いことを示唆し、0.95未満の値はより速い平均回帰とより短い予測期間を示します。