2つの時間尺度で高頻度ノイズを除く｜TSRVの仕組み

超高頻度リターンの実現分散は、ビッド・アスク反跳などで上方へ歪みます。Two-Scale Realized Varianceは、全データの細かい尺度と複数サブグリッドの粗い尺度を組み合わせてバイアスを推定します。

なぜこの指標・モデルが必要なのか

超高頻度リターンの実現分散は、ビッド・アスク反跳などで上方へ歪みます。Two-Scale Realized Varianceは、全データの細かい尺度と複数サブグリッドの粗い尺度を組み合わせてバイアスを推定します。

仕組みを分解する

複数の粗いサブサンプルRVを平均し、細かい全標本RVから推定したノイズ成分を差し引きます。サブグリッド数が分散とバイアスを左右します。

計算例と数字の読み方

1秒RVが0.0016、粗い平均RVが0.0009で、推定ノイズ補正後TSRVが0.0010なら、1秒RVの膨張を約0.0006と評価します。

売買・リスク管理への落とし込み

1秒RVが0.0016、粗い平均RVが0.0009で、推定ノイズ補正後TSRVが0.0010なら、1秒RVの膨張を約0.0006と評価します。

実装手順：データから検証まで

サブグリッド数を理論式と感度分析で選び、5分RV、Kernel、翌日ボラ予測を未知期間で比較します。

1. 仮説を一文にする：何が起きた後、どの期間に、何が変化すると考えるかを先に固定します。
2. 時点を再現する：約定時刻、気配時刻、企業イベント時刻をそろえ、その瞬間に取得できた情報だけで特徴量を計算します。
3. 基準戦略を置く：複雑なモデルだけを評価せず、売買しない場合、単純移動平均、等金額などと同条件で比較します。
4. 費用を引く：手数料、スプレッド、価格インパクト、借株料、未約定を別々に見積もります。
5. 未知期間で固定する：閾値や窓を凍結し、結果が悪くても途中で変更せず記録します。

バックテストで最低限残す指標

年率リターンや勝率だけでは足りません。取引回数、平均保有時間、グロス利益、スプレッド負担、価格インパクト、最大ドローダウン、最悪10取引、銘柄別寄与、時間帯別寄与を分離します。パラメータを少し変えただけで利益が消えるなら、発見したのは市場構造ではなく標本固有の偶然かもしれません。

さらに、シグナル発生から注文送信までの遅延を100ミリ秒、1秒、5秒など複数置き、成績の減衰を調べます。理論上の終値やミッド価格でのみ約定する検証は避け、買いはアスク、売りはビッドを基本に、参加率が高い注文には追加のインパクトを課します。

資金管理の具体例

1回の許容損失を運用資金の0.25％とし、損切りまでの想定価格幅が0.8％、通常のスリッページが0.1％なら、実効損失幅は0.9％です。運用資金1,000万円なら許容損失2万5,000円÷0.009で、建玉上限は約277万円です。ただし板に対して大き過ぎる場合は、出来高参加率による上限を優先します。モデルの確信度が上がったからといって許容損失そのものを増やさない方が、検証誤差に耐えやすくなります。

よくある失敗と停止条件

ジャンプと非同期価格は別途扱う必要があります。負の補正値や薄商い銘柄では推定を停止します。

停止条件は損益だけでなく、入力データ欠損、スプレッド急拡大、推定係数の範囲逸脱、モデル残差の構造変化にも置きます。異常時に自動で新規注文を止め、既存建玉をどの価格・時間で縮小するかを事前に決めます。停止後に原因を確認せず同じ設定で再開すると、モデル劣化と一時的ノイズを区別できません。

小さく導入するための4段階テスト

第一段階は売買を伴わないシャドー運用です。実時刻にシグナルを記録し、取得遅延、欠損、計算時間を測ります。第二段階は最小単位での実注文です。バックテストが仮定した価格と実約定の差を、銘柄・時間帯・注文方式別に分解します。第三段階では通常予定額の25％、第四段階では50％へ増やします。各段階を一定取引数こなすまで進めず、利益が出た日数だけを昇格条件にしません。

昇格判定には、想定スリッページに対する実績、注文拒否率、未約定率、シグナルから約定までの遅延、最大日次損失を使います。例えば実スリッページの中央値が想定の1.5倍、95％点が2倍を超えた場合は、資金を増やす前にコストモデルを再推定します。取引量を増やした瞬間に価格影響が非線形に大きくなるため、少額での成功を比例拡大しないことが重要です。

成績が良く見えたときに確認すること

まず、利益が数日・数銘柄へ集中していないかを確認します。上位5取引を除くと損失になるなら、再現性より偶然の影響が大きい可能性があります。次に、同じ日の複数取引を独立標本として数えていないかを見ます。共通ニュースで同時に動いた取引は実質一つのベットです。日次またはイベント単位へ集約して信頼区間を計算します。

パラメータの近傍も重要です。窓20だけが利益で、19と21が損失なら採用を保留します。窓15〜30、閾値1.5〜2.5など合理的な範囲で収益面が滑らかに残るかを調べます。また、相場上昇期、下落期、高ボラ期、低ボラ期へ分け、どの環境で損益が生まれたかを確認します。全環境で勝つ必要はありませんが、不得意環境をリアルタイムで識別できないなら、年間平均だけを根拠に大きな資金を置けません。

実務チェックリスト

• データのタイムゾーンと同時刻処理を固定したか
• 価格調整、限月交代、売買停止を処理したか
• 未来情報を使わず特徴量と標準化を計算したか
• パラメータ選択回数と不採用結果を保存したか
• スプレッド、手数料、インパクトを差し引いたか
• 通常時だけでなく急変時の損失を確認したか
• モデル停止・再開の責任者と条件を決めたか

実務での計算手順

複数の粗いサブサンプルRVを平均し、細かい全標本RVから推定したノイズ成分を差し引きます。サブグリッド数が分散とバイアスを左右します。 最初にデータ頻度、対象期間、欠損処理、外れ値処理を固定します。結果を見てから窓や除外基準を変えると、検証対象ではなく過去データへ合わせた指標になります。

1秒RVが0.0016、粗い平均RVが0.0009で、推定ノイズ補正後TSRVが0.0010なら、1秒RVの膨張を約0.0006と評価します。 数値は絶対水準だけでなく、同一銘柄の過去分位、同規模銘柄の横断順位、相場状態別の平均との差で読みます。通常・警戒・停止の三段階を用意し、単発値だけでポジションを反転させません。

データ設計と再現性

使用時点で入手可能だった情報だけを保存し、タイムゾーン、取引時間、価格調整、休場、売買停止を統一します。高頻度データでは取引所時刻と受信時刻を区別し、日次データでは修正履歴と生存者バイアスを確認します。

学習期間、検証期間、最終テスト期間を時系列順に分けます。パラメータは検証期間で一度だけ決め、最終期間では変更しません。銘柄横断分析では同日ショックを独立標本として過大計上しないよう、日付単位のクラスタ標準誤差も確認します。

費用後で残す評価項目

項目	確認内容	不採用の目安
未知期間の改善	単純基準を上回るか	学習期間だけ有効
パラメータ感度	近傍でも結果が残るか	一点だけ好成績
費用後損益	スプレッド等を控除	費用で期待値消失
尾部損失	最悪局面の挙動	損失上限を超過

売買・リスク管理への落とし込み

サブグリッド数を理論式と感度分析で選び、5分RV、Kernel、翌日ボラ予測を未知期間で比較します。 指標の役割を、方向予測、注文方法、建玉上限、ヘッジ、停止判断のどれか一つに限定します。一つの数値へ複数の役割を持たせると、損失時に原因を特定できません。

本番導入はシャドー運用、最小単位、通常額の25％、50％の順で進めます。日次損失、連続不利約定、データ欠損、推定値の範囲逸脱を独立した停止条件にし、原因確認なしに自動再開しません。

解釈を誤りやすいポイント

ジャンプと非同期価格は別途扱う必要があります。負の補正値や薄商い銘柄では推定を停止します。 推定値には信頼区間を付け、異なる期間・銘柄群・相場状態で符号と大きさが維持されるかを確認します。統計的有意性だけでなく、実際の費用を上回る経済的な大きさが必要です。

高度なモデルを採用する基準は複雑さではありません。単純な中央値、移動平均、等金額と比べて、未知期間の判断または執行が一貫して改善し、停止条件を説明できる場合に限ります。

まとめ

高度な指標は、単独で売買方向を教える魔法のサインではありません。価値があるのは、曖昧だった需給、流動性、変動、状態変化を測定可能な形へ変え、どの条件で使えなくなるかまで定義できる点です。計算式、入力時点、費用、停止条件をセットで設計し、単純な基準より未知期間の判断が改善したときにだけ採用します。