月次シャープレシオに√12を掛けてよい？系列相関と年率換算

シャープレシオは、期間ごとの超過リターンの平均を、その期間リターンの標準偏差で割った比率です。月次なら、まず各月のリターンから同じ月に対応する無リスク利回りを差し引いて、月次の超過リターンを作ります。年率の無リスク利回りを、変換せず月次リターンから引いてはいけません。

これは観測した標本に対する記述的な推定値です。確率、利益の保証、損失が起きないという意味ではありません。リターンの定義、観測頻度、期間、コストの扱いが違えば、同じ戦略でも値は変わり得ます。

シャープ自身の説明は、報酬と変動を比較する指標としての定義と、年率換算に必要な前提を整理しています。Sharpeの解説を読むときも、比率の分母と期間単位を確認してください。

月次リターンの平均と分散が期間を通じて安定し、異なる月のリターンが無相関なら、12か月分を集計した平均は月次平均の12倍、分散は月次分散の12倍になります。したがって標準偏差は√12倍となり、年次シャープレシオは月次値×√12で求められます。独立同分布（IID）は無相関を満たす十分条件の一つですが、唯一の条件ではありません。

重要なのは、毎月の平均や分散が大きく変わらないことに加え、月をまたぐ共分散がゼロであることです。Sharpeは年率換算の説明でこのゼロ相関条件を示しています。リターンが自己相関しているなら、標準偏差の拡大率は必ずしも√12にはなりません。

月次の超過リターンをx_t、平均をμ、ラグkの共分散をγ_k = Cov(x_t, x_{t-k})とします。γ_0は月次分散です。定常な平均・共分散を仮定し、12個などq個の月次超過リターンを足し合わせると、合計の分散は次の形になります。

Var(Σ x_t) = qγ_0 + 2Σ_{k=1}^{q−1}(q−k)γ_k

ラグkの自己相関はρ_k = γ_k / γ_0です。q期間の合計平均はqμなので、時間集計後のシャープレシオは次の式で表せます。

SR_q = √q × SR_1 / √[1 + 2Σ_{k=1}^{q−1}(1−k/q)ρ_k]

この時間集計の補正は、Lo (2002)「The Statistics of Sharpe Ratios」で導かれています。各ラグには重みがあり、ラグ1の相関だけを見て残りを無視する式ではありません。

以下は仕組みを示すためだけの仮想例で、予測や実績ではありません。月次の平均超過リターンを0.4%、標準偏差を2%とすると、月次シャープレシオは0.004 ÷ 0.02 = 0.20です。

自己相関がないと仮定した単純換算は0.20 × √12 ≈ 0.693です。代わりに、ラグ1の自己相関ρ_1 = 0.25で、AR(1)モデルを仮定します。この特定のモデルの下ではρ_k = 0.25^kです。ラグ1から11まで補正式に代入すると、平方根の分母は約1.262です。

したがって補正後は0.20 × √12 ÷ 1.262 ≈ 0.549となります。0.25をすべてのラグにそのまま当てはめた計算ではありません。相関の形をAR(1)と置くこと自体が例の仮定であり、実際の戦略に適用できるとは限りません。

系列相関は、戦略が実際に持続性や反転を捉えているときにも、測定方法が滑らかなリターンを作るときにも発生します。保有期間が重なった月次観測、価格の更新遅れ、流動性の低い資産の評価価格、時価評価の平滑化は、見かけ上の自己相関につながる場合があります。

リバランス頻度、ポジションの持続、シグナルの重複など、戦略の設計も依存を生みます。これらをひとまとめに「良い持続性」と解釈する前に、経済的な現象なのか、評価やサンプリングの影響なのかを調べてください。

自己相関が測定上の平滑化から生じているなら、観測されたボラティリティは真のリスクを小さく見せている可能性があります。一方、補正式だけでデータ品質を直せるわけではありません。まず価格、評価時点、保有期間の重複を確認します。

期間、通貨、配当や分配金、資金調達料、費用、レバレッジを一貫させます。無リスク利回りはリターンと同じ頻度に合わせます。グロスとネットのどちらを使うかも明示してください。取引コスト、借入料、先物のファンディングを後から別扱いにすると、比較対象そのものが変わります。

上の式は、q個の期間超過リターンを足す集計について、共分散定常性などの条件の下で導かれます。複利で計算した実際の暦年リターンと、足し算で定義したq期間の超過リターンは同じ量とは限りません。複利値と加法的集計値を、説明なしに同一視しないでください。

ポートフォリオの加重方法、現金残高、取引の重なり、未実現損益の扱いも固定します。何をどの頻度で測ったシャープなのかを示せば、再現と比較がしやすくなります。

短い標本では自己相関の推定値が大きく揺れます。長いラグほど利用できる観測の組み合わせが減るため、qが大きい式に多数の推定値を入れると、補正後の値も不安定になり得ます。ラグ1に相関が見つかっただけでAR(1)モデルを決めつけてはいけません。

標本長、使用したラグ数、自己相関の推定法、年率換算の方法を記録します。合理的な別のラグ設定や推定法でも結論が変わるか、感度を示します。戦略間の差を述べる場合は、信頼区間やその他の不確実性も示すと、見かけ上の順位を過信しにくくなります。

推定した自己相関を固定値のように扱うと、補正値の精密さを誇張します。観測データが少ないほど、数値だけでなく前提と不確実性を一緒に報告してください。

自己相関を反映して時間集計を補正しても、何百もの候補から成績の良い戦略を選んだ影響、データスヌーピング、非定常性は取り除けません。将来の市場環境が標本期間と違えば、平均や分散、相関そのものが変わる可能性があります。

シャープレシオは裾の厚い損失、急落、レバレッジ、流動性、約定コストを単独では記述しません。補正後の値が高くても、将来に安全または優れているという証明にはなりません。別の期間、費用の厳しい仮定、最大ドローダウンも合わせて検討します。

平均の集計方法を確認するときは算術平均と幾何平均リターン、損失経路を確認するときは最大ドローダウンと回復率を参照できます。モデル選択と過剰適合は金融モデルのバイアス・バリアンストレードオフも関連します。

年率シャープを示す前に、読者が計算を再現できる情報をそろえます。

• リターンの頻度、標本期間、標本数を明記する。
• 超過リターンの基準と同じ頻度の無リスク利回りを示す。
• グロス／ネット、費用、配当、ファンディング、レバレッジの扱いを記す。
• 単純な√q換算を使ったか、どの自己相関ラグを用いて補正したかを示す。
• 複利リターンとの定義の違い、推定の不確実性、感度を説明する。

「月次シャープ×√12」とだけ報告されている場合、まず無相関という前提が妥当かを確認します。データに基づく依存の推定とその限界が示されていなければ、値を単一の精密な年次リスク調整成績として解釈する根拠は不足しています。