最小分散ポートフォリオ：リスクを減らしてもリターンは減らない

マーコウィッツからフロンティアの最左端へ

ハリー・マーコウィッツが1952年にポートフォリオ選択理論を発表したとき、投資家にリスクとリターンの地図を与えました。効率的フロンティアは、各リスク水準において最も高い期待リターンを提供するポートフォリオの集合を描き出しました。何十年もの間、金融業界はそのカーブの右上部分、リターンが最も高い領域に注目してきました。もう一方の端、すなわちポートフォリオの分散が絶対的な最小値に達する最左端の点にはほとんど誰も目を向けませんでした。このフロンティアの見過ごされた一角が、資産価格設定における最も持続的なアノマリーの一つを含んでいることが明らかになります。

2006年、ロジャー・クラーク、ハリンドラ・デシルバ、スティーブン・ソーリーは、ジャーナル・オブ・ポートフォリオ・マネジメント誌に"Minimum-Variance Portfolios in the U.S. Equity Market"を発表しました。その発見は驚くべきものでした。リターンの最大化を一切試みず、ボラティリティの最小化のみを目的として構築されたポートフォリオが、約40年間にわたり時価総額加重市場インデックスとほぼ区別がつかないパフォーマンスを達成しながら、リスクは約25%低かったのです。この結果は、現代金融の根幹を成す前提、すなわちリスクを低減するにはリターンを犠牲にしなければならないという仮定に異議を唱えるものでした。

構築上の問題

最小分散ポートフォリオの構築には、制約付き最適化の解法が必要です。資産リターンの共分散構造が与えられたとき、最小の分散を生み出すポートフォリオウェイトの組み合わせを見つけることです。目的関数は完全に共分散行列に依存しており、標準的な平均分散最適化とは異なり、期待リターンの推定は不要です。

これがこのアプローチの最大の強みであると同時に、実践上の課題の源泉でもあります。期待リターンを精度よく推定することは難しいことで知られています。ミショー（1989）は、期待リターンの小さな推定誤差が全く異なるポートフォリオウェイトを生み出すため、平均分散最適化を「誤差の最大化装置」と称したことは有名です。期待リターンを完全に回避することで、最小分散ポートフォリオは最適化プロセスにおける最も信頼性の低いインプットを排除します。

しかし、共分散行列にもそれ自体の推定上の困難があります。1,000銘柄のユニバースでは、共分散行列には約500,000のユニークなエントリーが含まれます。過去のリターンデータからこれらの各値を推定すると、特に非対角の共分散項について、かなりのサンプリング誤差が生じます。クラーク、デシルバ、ソーリーは、推定すべきパラメータ数を削減するファクターベースモデルを含む、構造化された共分散推定量を適用することでこの問題に対処しました。

クラーク、デシルバ、ソーリーの発見

著者らは米国の上位1,000銘柄から最小分散ポートフォリオを構築し、1968年から2005年まで月次でリバランスを行いました。その中心的な結果は、実務家のポートフォリオ構築に対する考え方を一変させるものでした。

リターンとリスクの特性

最小分散ポートフォリオは、市場との差がわずか30ベーシスポイント以内のリターンを獲得しながら、ボラティリティは約4分の1低く抑えられました。シャープレシオの改善は顕著であり、時価総額加重ベンチマークより約46%高い値を示しました。

ポートフォリオの構成

最小分散ポートフォリオは一貫して特定の銘柄特性に傾斜していました。保有銘柄は大型株、低ベータ、低残余ボラティリティの銘柄に集中しました。セクターエクスポージャーは市場ポートフォリオから大きく乖離し、テクノロジーや金融をアンダーウェイトする一方、公益事業や生活必需品をオーバーウェイトしていました。

この集中は偶然ではありません。最適化目的の直接的な帰結です。個別の分散が低く、他の保有銘柄との共分散が低い銘柄に最大のウェイトが付与されます。実務的には、典型的なアクティブシェアが70%を超える、市場とはかなり異なるポートフォリオが生成されます。

制約のパラドックス

本論文の最も直感に反する発見の一つは、ポートフォリオ制約に関するものでした。著者らが個別ポジションウェイトに上限を課した場合（単一銘柄がポートフォリオの2-3%を超えないようにした場合）、アウトオブサンプルのパフォーマンスは制約なしの解と比べて実際に改善しました。

ジャガナサンとマー（2003）がその理論的説明を提供しました。最小分散最適化にウェイト制約を課すことは、共分散行列にシュリンケージの一形態を適用することと数学的に等価です。共分散が過小推定された銘柄は、制約なしのポートフォリオで過度に大きなウェイトを受ける傾向がありますが、それらのウェイトに上限を設けることで暗黙的に推定誤差が修正されます。この結果は深い実務的含意を持っています。統計理論とは無関係な理由で課された「誤った」制約が、推定ノイズを打ち消すことで偶発的にポートフォリオのパフォーマンスを改善し得ることを示唆しています。

なぜこのアノマリーは存在するのか

最小分散ポートフォリオのリスク調整後の超過パフォーマンスは、低ボラティリティ・アノマリーの直接的な表れです。株式市場において、銘柄のベータ（またはボラティリティ）とその後のリターンとの実証的な関係は、資本資産価格モデル（CAPM）が予測するよりもはるかにフラットです。多くのサンプル期間では、実質的にゼロまたはわずかに負となっています。

この持続的なミスプライシングに対して、いくつかの説明が提案されています。

ベンチマーキングとキャリアリスク

ベイカー、ブラッドリー、ウォーグラー（2011）は、機関投資家が低ボラティリティ・アノマリーを十分に活用することを妨げる制約に直面していると主張しました。ほとんどのプロの運用者は時価総額加重ベンチマークに対して評価されます。リスク調整後リターンが低い高ベータ銘柄をアンダーウェイトすることは、トラッキングエラーとキャリアリスクを生み出します。その結果、高ベータ銘柄はリスク調整後のファンダメンタルズが正当化する以上の需要を受け、価格が上昇し将来のリターンが押し下げられます。逆に、低ベータ銘柄は体系的に無視され、割安のまま放置されます。

レバレッジ制約と宝くじ嗜好

フラッツィーニとペダーセン（2014）は、多くの投資家がレバレッジに対する制約に直面していると提案しました。低リスク資産のリターンをレバレッジで増幅できないため、代わりにレバレッジの代替として高ベータ銘柄に傾斜します。この高ボラティリティ銘柄への過剰な需要が、証券市場線を理論的予測よりもフラットにします。これとは別に、行動ファイナンスの研究では、個人投資家が宝くじ嗜好を示し、正に歪んだリターン分布を持つ証券（高ボラティリティ銘柄であることが多い）を過大に重み付けすることが記録されています。

アナリストカバレッジの役割

第三のチャネルは情報の非対称性を通じて作用します。ボラティリティが高く高成長の銘柄はより多くのアナリストカバレッジ、メディアの注目、投資家の関心を集めます。地味で低ボラティリティの銘柄は注目度が低く、ヘッドラインにほとんど登場しない銘柄を保有する忍耐強い投資家にとって機会を生み出します。

共分散推定：実務上のフロンティア

理論的な最小分散ポートフォリオには完全に推定された共分散行列が必要ですが、そのようなものは存在しません。あらゆる実践的な実装は、真の（観測不可能な）共分散構造とそのサンプル推定値との間のギャップに向き合わなければなりません。

サンプル共分散とその限界

最も単純な推定量である過去のリターンから計算されるサンプル共分散行列は、資産数が時系列の観測数に対して大きくなるにつれて信頼性が低下します。500銘柄のユニバースで60か月のリターンデータがある場合、サンプル共分散行列は正定値ですらなく、修正なしには最適化に使用できないことを意味します。

ファクターベース共分散モデル

クラーク、デシルバ、ソーリーはファクターモデルベースの共分散推定量を採用しました。リターンを共通ファクターエクスポージャーと固有残差に分解することで、これらのモデルは推定すべきパラメータ数を劇的に削減します。例えば、ファーマ＝フレンチ3ファクターモデルは、500銘柄の共分散行列を約125,000のユニークなパラメータから約1,500に削減します。トレードオフとして、ファクターモデルは実務では厳密に成立しない可能性のある構造を共分散行列に課すことです。

シュリンケージ推定量

ルドワとウルフ（2004）は、サンプル共分散行列と構造化されたターゲット（シングルファクターモデル共分散や単位行列など）を混合する、広く採用されているシュリンケージ手法を導入しました。最適なシュリンケージ強度はデータから推定でき、サンプル推定量の柔軟性と構造化モデルの安定性との間の原則的なバランスを提供します。シュリンケージ共分散行列を用いて構築された最小分散ポートフォリオは、生のサンプル共分散を使用したものよりも安定したアウトオブサンプルのパフォーマンスを示しています。

シミュレーションによるパフォーマンス：原論文を超えた拡張

S&P 500構成銘柄から構築された仮想的な最小分散ポートフォリオを考えます。1990年1月から2025年12月まで四半期ごとにリバランスを行います。ポートフォリオは252日のルックバックウィンドウを持つルドワ＝ウルフのシュリンケージ共分散推定量を用いて総分散の最小化を目標とします。個別ポジションウェイトは3%を上限とし、セクターウェイトのベンチマークからの乖離は10パーセンテージポイント以内に制限されます。

推定パラメータ：四半期リバランス、リバランスごとの往復取引コスト15ベーシスポイント、レバレッジなしのフルインベスト、ロングオンリー制約。

仮想的な最小分散ポートフォリオは、すべてのサブ期間にわたってS&P 500と同等の累積リターンを著しく低い実現リスクで達成しています。最も顕著な乖離は2000-2009年の10年間に現れます。この期間、時価総額加重インデックスがマイナスの年率リターンを記録した一方で、最小分散ポートフォリオはプラスのリターンを獲得しました。この10年間には2つの深刻な弱気相場（2000-2002年と2007-2009年）が含まれており、最小分散ポートフォリオの低いベータとディフェンシブなセクター傾斜が大きな下値保護を提供しました。

これらの数値は、再構成された過去データと標準的な推定手法を用いた定型化されたシミュレーションから導出されたものです。実際のファンドのパフォーマンスを表すものではありません。取引コスト、ビッドアスクスプレッド、リバランス時のスリッページ、構成銘柄選択におけるサバイバーシップバイアスは簡略化または省略されており、実際のリターンは表示された数値より低くなります。

リスクパリティおよびファクター投資との関連

最小分散ポートフォリオは、代替的ウェイティング手法のより広い領域の中で特定のポジションを占めています。隣接するアプローチとの関係を理解することで、それぞれが最も適切となる場面が明確になります。

リスクパリティは、各資産（または資産クラス）がポートフォリオ全体のリスクに均等に寄与するように資本を配分します。一方、最小分散ポートフォリオは、リスク寄与の均等性に配慮することなく総リスクの最小化を目的として資本を配分します。実務的には、最小分散は最もリスクの低い資産により集中する傾向がありますが、リスクパリティはエクスポージャーをより均等に分散します。

等ウェイトポートフォリオは各保有銘柄に同一の資本を割り当て、時価総額加重のバイアスを回避します。集中リスクは低減しますが、明示的にリスク低減を目標とはしません。最大分散ポートフォリオ（シュエファティとコワニャール、2008）は、加重平均個別ボラティリティとポートフォリオボラティリティの比率を最大化するもので、分散効果を収穫するさらに別のアプローチです。

これらの代替的アプローチはすべて共通の糸で結ばれています。実証的な証券市場線のフラットさを活用しているのです。割高な高ベータ資産へのエクスポージャーを削減することで、時価総額加重と比較してリスク調整後リターンを改善します。最小分散はこれらのアプローチの中でリスク低減を最も積極的に追求するものであり、ボラティリティの最小化を第一の目的とする投資家にとって自然な選択となります。

批判と限界

集中とキャパシティ

最小分散ポートフォリオは比較的狭い低ボラティリティ銘柄群に保有を集中させます。これはキャパシティに関する懸念を生じさせます。最小分散戦略により多くの資本が流入するにつれて、同じ銘柄に需要が増大します。シェーラー（2011）は、共通ファクターエクスポージャー（サイズ、バリュー、モメンタム）を調整すると、最小分散ポートフォリオのアルファが大幅に低下することを発見しました。これは、そのアウトパフォーマンスの多くが純粋なフリーランチではなく、ファクターティルトに対する補償を反映していることを示唆しています。

推定感応度

期待リターンの推定を回避しているにもかかわらず、最小分散ポートフォリオは共分散推定手法に対して感応的なままです。異なる共分散推定量（サンプル、ファクターベース、シュリンケージ、またはこれらの組み合わせ）は意味のある差異を持つポートフォリオ構成を生み出し得ます。このモデルの不確実性は、しばしば過小評価される実務上のリスクを表しています。

セクター集中

最小分散構築に内在するディフェンシブな傾斜は、公益事業、生活必需品、ヘルスケアの持続的なオーバーウェイトと、テクノロジーや金融のアンダーウェイトをもたらします。これらのアンダーウェイトされたセクターが市場リターンをけん引する期間（2012-2021年のテクノロジー主導の強気相場など）では、最小分散ポートフォリオはリスク調整後ベースではアウトパフォームしていても、絶対リターンでは時価総額加重インデックスを大きく下回ります。

ナイーブな分散投資の挑戦

デミゲル、ガーラッピ、ウッパル（2009）は、単純な等ウェイト（1/N）ポートフォリオが、最小分散を含むより洗練された最適化アプローチのアウトオブサンプルパフォーマンスと同等またはそれ以上であることが多いことを実証しました。特に、資産ユニバースが小さく推定ウィンドウが短い場合にこの傾向が顕著です。この発見は、最小分散最適化のメリットが保証されたものではなく、十分なデータと合理的に安定した共分散構造が必要であることを強調しています。

エビデンスが示すこと

数十年と国際市場にわたるエビデンスの蓄積は、いくつかの結論を支持しています。最小分散ポートフォリオは時価総額加重ベンチマークよりも確実に低いボラティリティを提供し、通常その差は20-30%です。このリスク低減に対するリターンの犠牲は、標準理論が予測するよりも小さく、多くのサンプル期間ではほぼゼロです。シャープレシオで測定されるリスク調整後の改善は頑健であり、経済的に有意です。

この見かけ上のアノマリーに対する説明は謎めいたものではありません。十分に記録された実証的な証券市場線のフラットさから直接導かれます。低ベータ資産はCAPMが予測するよりも高いリターンを獲得し、高ベータ資産はより低いリターンを獲得します。最小分散ポートフォリオは、このミスプライシングを体系的に収穫する方法に他なりません。

実務家にとって、重要な実装上の意思決定は、共分散推定手法、リバランス頻度、ポートフォリオ制約の程度に関わるものです。エビデンスは、適度な制約（ポジション上限、セクター制限）が推定誤差に対する暗黙のシュリンケージとして機能することでアウトオブサンプルのパフォーマンスを改善する傾向があることを示唆しています。このアプローチは、リスク回避度が高い投資家、ドローダウンリスクの低減を求める投資家、あるいは分散されたポートフォリオフレームワーク内で他のファクターベース戦略を補完する手段として最も説得力があります。