情報取引確率（PIN）：公式、計算例、解釈上の限界

約定には必ず買い手と売り手がいますが、それぞれがなぜ取引したかは通常観測できません。買い手は私的情報に反応しているかもしれませんし、ポートフォリオのリバランス、資金需要、ベンチマークの執行が理由かもしれません。PINは複数期間にわたる買い手主導と売り手主導の約定数を使い、モデルが私的情報に基づく取引とみなす注文フローの割合を推定します。

Easley、Kiefer、O’Hara、Papermanは、情報に基づく取引と流動性を調べるために、この構造的なアプローチを導入しました。モデルでは、日々の買い・売り注文数は観測されない情報状態から生じます。私的情報がないときは、情報を持たない買い手と売り手が注文を出します。良い情報または悪い情報が到着すると、情報を持つ取引者がその情報の方向に注文を追加します。多くの日にわたる買い・売り件数の非対称性から、潜在状態の確率と到着率を推定します（Easley et al., 1996）。

したがってPINは、特定の標本とモデルについての推定値です。個々の約定に付けるラベルでも、私的情報を持つ人の直接的な人数でも、次の取引が情報に基づく確率でもありません。同じ定義と仮定の下で推定値が高ければ、低い推定値の場合よりも、適合したモデルが期待注文到着のより大きな割合を情報保有者の成分に割り当てたことを意味します。

古典的なPINモデルでは、各取引期間は3つの潜在状態のいずれかに分かれます。確率 \(1-\alpha\) で情報イベントは発生しません。確率 \(\alpha\delta\) で良いニュースが発生し、確率 \(\alpha(1-\delta)\) で悪いニュースが発生します。\(\alpha\) は情報イベントの確率、\(\delta\) はイベントが起きたときに良いニュースである条件付き確率です。

情報を持たない買い注文と売り注文は、それぞれ期間当たり期待到着率 \(\varepsilon\) です。情報イベントが起きると、期待到着率 \(\mu\) の情報保有者の注文が加わり、シグナルの方向に取引します。良いニュースの日には買い、悪いニュースの日には売ります。最も単純なモデルでは、各状態を条件とした買い数と売り数は互いに独立なポアソン変数です。モデルは状態や取引者の種類を観測せず、観測された件数のパターンからパラメーターを推定します。

これはすべての市場で成り立つと確認された説明ではなく、推定と解釈を可能にするための仮定です。注文の集中、相関した流動性需要、異なる到着パターンを持つニュース発表、売買方向の誤分類、市場の分断をモデルが扱わなければ、それらを情報に基づく注文フローと誤認する可能性があります。

対称型のモデルでは、期間当たりの情報保有者による期待到着数は \(\alpha\mu\) です。情報を持たない買い注文の期待数は \(\varepsilon\)、売り注文も \(\varepsilon\) なので、合計は \(2\varepsilon\) です。PINは情報保有者の成分を期待到着数の合計で割った割合です。

PIN = αμ / (αμ + 2ε)

\(\delta\) は情報保有者がどちら側で取引するかに影響しますが、この集計された割合では相殺されます。拡張モデルには買いと売りで異なる到着率や別の取引生成過程を許すものもあります。説明なしに古典的な式を拡張式に置き換えたり、解釈を混同したりしてはいけません。

仮想的な期間について、\(\alpha=0.20\)、情報イベント発生日の情報注文の期待数を \(\mu=12\)、各方向の非情報注文の期待到着率を期間当たり \(\varepsilon=40\) とします。情報注文の期待数は \(0.20\times12=2.4\) です。非情報注文は買い40と売り40の合計80です。モデル上の割合は \(2.4/(2.4+80)=0.0291\)、約2.9%になります。

この例は計算方法だけを示します。観測された約定の正確に2.9%が情報取引だった、個々の取引が客観的に2.9%の確率で情報取引である、あるいは参加者が内部情報を持っていたという意味ではありません。率とイベント確率は仮定上の値です。実際に使うときはデータから推定し、標本期間とモデル仕様を報告する必要があります。

PINは分母にも左右されます。\(\alpha\) と \(\mu\) を固定し、各方向の非情報注文の到着率だけを40から60に上げると、値は \(2.4/(2.4+120)\)、約2.0%になります。情報注文の期待数は変わらず、非情報注文が増えて全体に占める割合が小さくなったためです。PINの低下だけから情報到着リスクの減少を結論づけることはできません。推定窓や通常の取引量が変わった場合は、どのパラメーターが動いたのかを確認します。

期間 \(t\) の買い手主導到着数を \(B_t\)、売り手主導到着数を \(S_t\) とします。古典モデルでは、件数の尤度は3成分の混合です。イベントなしの状態は重み \(1-\alpha\) で、買い・売り双方のポアソン率が \(\varepsilon\) です。良いニュース状態は重み \(\alpha\delta\)、買い率 \(\varepsilon+\mu\)、売り率 \(\varepsilon\) です。悪いニュース状態は重み \(\alpha(1-\delta)\)、買い率 \(\varepsilon\)、売り率 \(\varepsilon+\mu\) です。各状態に対応するポアソン確率を掛け、状態ごとに足し合わせると、その期間の尤度が得られます。

推定では、標本全体の対数尤度の合計を最大にする \(\alpha,\delta,\mu,\varepsilon\) を選びます。その推定値からPINを計算します。1日の2つの件数だけでは混合構造に関する情報が少ないため、研究者は四半期のような窓で推定することがあります。PINはその窓に対する推定値です。窓を長くすると件数が安定する一方、変化する市場環境を平均化してしまう可能性があります。

PINは、日ごとに買い数から売り数を引いて平均するものではありません。純買い数だけでは、良いニュース状態と、流動性需要によって買い・売りの両方が増えた状態を区別できません。最尤法は、標本全体で観測された買い・売り件数が3つの潜在状態のどれから生じたかを同時に評価します。窓が短すぎると混合を識別しにくくなり、長すぎると異なる取引環境を同じ固定到着率で説明することになります。

最適化は単なる実装上の細部ではありません。尤度に複数の局所最大値があり、パラメーターが境界解に達することがあります。取引数が大きい場合、浮動小数点のアンダーフローやオーバーフローも起こりえます。YanとZhangは境界解による大きな偏りを示し、推定改善法を提案しました（Yan and Zhang, 2012）。信頼できる推定には、数値的に安定した尤度、妥当な複数の初期値、モデルに沿ったパラメーター制約、選んだ最適解を再現できるかを示す診断が必要です。

古典モデルには買い手主導と売り手主導の件数が必要です。データフィードに攻撃側の情報がない場合、気配値ルール、ティックテスト、Lee–Ready手法などで件数を分類します。誤分類された取引は \(B_t\) と \(S_t\) の間で観測値を移し、尤度を変えます。そのため、分類方法、スプレッド中値での約定や方向不明の取引の扱い、取引所の範囲、時刻の同期を推定記録に残します。売買方向の分類では、気配値やデータフィードによって推定方向が変わる理由を説明しています。

期間、金融商品、対象とする取引条件、オークション、訂正、店頭報告、取引がない区間の処理も定義する必要があります。複数の市場を統合すると、単一市場を分析する場合とは異なる件数過程になります。日次から日中の期間に変更すれば到着率の意味が変わり、安定推定に必要な観測が不足するかもしれません。資産や時点を比較するには、データ構築、推定窓、推定法、モデル版を十分に揃える必要があります。

扱いにくい観測値を黙って除外したり、もっともらしい推定値だけを報告したりしてはいけません。元の件数を保存し、除外を記録し、推定パラメーターと境界解を確認して、妥当な分類方法や窓の選択で結果を比較します。推定値が大きく変わるなら、その感度も結果の一部であり、隠すべきノイズではありません。

気配スプレッドや実効スプレッドは価格譲歩や執行コストを測ります。PINは構造モデルで期待注文到着のうち情報保有者の成分に割り当てられる割合を推定します。広いスプレッドは逆選択リスク、在庫コスト、手数料、競争を反映することがありますが、それ自体はPINではありません。Rollスプレッド推定量は別の仮定に基づき、リターンの自己共分散からスプレッドを推定します。

注文フロー不均衡は、買いと売りの活動差を要約し、指値注文の追加や取消も扱うことがあります。選択した区間で直接観測できる一方、PINは繰り返し観測された件数の尤度から潜在的なニュース過程を推定します。不均衡が情報取引の証拠とは限りません。流動性需要や注文の分割執行でも似たパターンが生じます。注文フロー不均衡では別の指標を説明しています。

VPINも単にPINを高頻度で計算したものではありません。出来高を区切ったバケットの不均衡を使う出来高時間ベースの統計で、売買分類とサンプリングの選択も異なります。AndersenとBondarenkoは、検証した環境でVPINがフローの毒性を確実に測定したり市場の混乱を予告したりするという主張に異議を唱えました（Andersen and Bondarenko, 2014）。名称が似ていても同一視せず、各指標の構成と根拠を評価します。

PINが精密に見えても、件数モデルがデータに合っているとは限りません。Gan、Wei、JohnstoneはPINモデルの経験的適合度を検証し、調査した分布と依存パターンに構造上の限界を報告しました（Gan et al., 2017）。これは対象標本で適合度を調べる理由であり、あらゆる応用が無効だという主張ではありません。

有用な診断には、買い・売り件数の分布と相互依存、取引のない期間の頻度、モデルが含意する件数確率、最適化の収束と境界状態、別の初期値への感度などがあります。シミュレーションや適合値から得た件数分布を観測データと比べ、近接する窓でもパラメーターが妥当か確認します。標準誤差や信頼区間には推定法を反映させます。点推定値だけでは標本変動とモデル選択による不確実性が隠れます。

隣り合う窓で推定値が安定していても、モデルが正しく特定された証明にはなりません。逆に、推定値の変化は情報到着、非情報需要、データ範囲の変化、あるいはモデルの誤特定を反映している可能性があります。市場の意味を解釈する前に、確認した根拠と限界を述べましょう。

測定記録がなければPINの値は解釈しにくくなります。対象銘柄やユニバース、市場の範囲、標本日、観測期間とタイムゾーン、対象とした取引条件、買い手主導・売り手主導の方向を決める手順を示します。古典的な3状態モデルか拡張モデルかを記載し、PINとともに推定した \(\alpha,\delta,\mu,\varepsilon\) も報告します。

推定窓、尤度の実装、最適化手法、初期値の方針も説明します。収束、境界解、不確実性推定、適合度診断を報告します。オークション、訂正、取引のない区間、方向不明の取引を除外したり特別に扱ったりしたなら、その方法を明記します。こうした情報があれば、読者は頑健なパターンとデータ処理や最適化の選択に左右された結果を区別できます。

観測期間が重要なのは、\(\alpha\) が期間当たりのイベント確率で、\(\mu\) と \(\varepsilon\) が期間当たりの到着率だからです。日次件数を時間単位に変えると、単位と基礎となるイベント過程が変わります。PINの式の形が同じでも、期間長が異なる推定パラメーターは直接比較できません。資産や日付を比べる前に期間の定義と約定データの構成を揃え、推定率の変化は情報取引の変化と決めつけず検討材料として扱います。

PINは市場マイクロストラクチャーを測るためのもので、売買の開始・終了ルールではありません。価格がどちらに動くか、どの程度動くか、見かけのシグナルが気配値に織り込まれているか、表示価格で約定できるかを示しません。初期の資産価格研究は、過去のNYSE横断面で推定されたPINと期待収益率との関係を調べました。その標本での結果は、現在の予測でも普遍的なプレミアムでもありません（Easley, Hvidkjaer, and O’Hara, 2002）。

PINを説明変数に使うなら、売買方向の判定法、対象期間と推定窓、推定パラメーター、不確実性、適合度確認、感度分析を報告します。売買戦略に使う場合は、選択に使っていないデータでルール全体を検証し、スプレッド、手数料、スリッページ、市場インパクト、運用容量を考慮してベンチマークと比較します。Implementation shortfallは意思決定価格と実際の執行コストを比べる方法の一つです。統計的に興味深い推定値でも、予測やコスト控除後の価値がない場合があります。