LEAD–LAG × HISTORICAL SIMILARITY
先行する地域をそろえると、
「似た過去」は役に立つか
形の似た過去を探す前に、どの地域が先に動いていたかをそろえる。国債配分を題材に、この工夫の核心と検証を8つの問いで読む。
市川佳彦氏の投稿（2026年10月29日）と、藤田崇文・町田知弘・小野菜摘・中川慧の原論文に基づく解説。
核心を、どんな問いに分解できるか？
説明用の問いの地図。矢印は読解の順序・比較の分岐を示し、経済的な因果の証明ではない。各ボックスから本文へ移動できる。
QUESTION 01
「似た過去」とは、形さえ似ていればよいのか？
この研究の核心は、似た波形を探す精度だけでなく、そもそも「どの過去を比較対象にしてよいか」を変えた点にある。
形状だけで探す
今と変化の形が近い過去を探す。時間の伸縮は許すが、どの地域が先に動いた局面かは条件にしない。
先行地域をそろえてから探す
今が米国先行なら、過去の米国先行局面に候補を限定。その中で相対的な変化形状が近い局面を選ぶ。
直感的には、「見た目の似た経路」でも、地域間の時間関係が違えば、その後の投資成果も違うかもしれない。これは研究の仮説であり、同じ先行地域なら必ず同じ結果になるという前提ではない。
上の対比は説明用の図式。出典：2.3節 p.79
QUESTION 02
先行する地域を、どう判定して候補を絞るのか？
先行関係の判定と、現在に似た過去の検索は、別々の二段階で行う。
米・欧・豪の同じ指標を標準化。片方の過去窓をずらし、DTW距離が最も小さくなるラグを探す。
米国先行／欧州先行／豪州先行／Non-Leadの4分類。同じ分類の過去だけ残す。
米国−欧州、米国−豪州の2系列を使い、現在に近い過去を原則5局面選ぶ。
DTWとは：二つの系列を、同じ月どうしだけでなく、時点の対応をずらしながら比べる距離。変化が少し早い・遅い場合も形の類似性を捉える。ただし、DTWで形を比べるだけでは「先行地域の一致」は保証されない。
比較・設定と出典を読む
- ローリング標準化：過去120カ月。分析窓：12カ月。最大ラグ：6カ月。
- 先行判定：地域Bの終点をtに固定し、地域Aの終点をt−Lに移す。最適ラグと、ラグなしに対する距離減少で判定する。
- 両段階とも、分析窓内で差分化し、各次元を最小・最大で正規化してからDTWを計算する。
- Non-Leadは同期だけでなく、先行地域を一つに特定できない場合も含む。
- 候補はs+3≤tを満たす過去時点だけ。近接時点の重複選択を抑え、候補不足時は近傍数を調整する。
- 先行判定の具体的閾値、重複抑制の間隔等の数値は本文・表1では明示されていない。ここで補ってはいない。
QUESTION 03
似た過去の「その後」を、どう配分に変えるのか？
予測するのは国債リターンそのものではなく、「3カ月後までの円ベース累積リターンが最も高い地域」の確率。配分はその順位から決める。
その後3カ月で、米・欧・豪のどの国債が最も高い円ベースリターンだったか。
距離の逆数で重み付けして、地域別の勝者頻度を計算する。
1位60%・2位30%・3位10%。直近3時点の目標配分を平均して、翌月に適用する。
bₜ = (vₜ + vₜ₋₁ + vₜ₋₂) / 3
「勝つ確率が60%だから資金を60%」ではない。勝者頻度は順位に使い、配分比率は固定する。また、3カ月先を予測するが、配分更新は毎月。3カ月間ずっと同じ配分を固定する運用ではない。
比較・設定と出典を読む
- 対象：米国・欧州（ドイツ）・豪州の為替ヘッジなし国債。円ベースなので債券収益と対円為替変動の両方を含む。
- 評価：2016年1月〜2025年12月。類似局面候補：2000年1月以降。
- 7指標は一つずつ別の戦略に入力する。7指標を一つのモデルへ統合した結果ではない。
- 同じ勝者頻度なら、選択した過去局面の重み付き平均リターンで順位を決める。
- ロングのみ、資金合計100%、レバレッジなし。月末に決めた実装配分を翌月末まで保有する。
QUESTION 04
先行地域で候補を絞ること自体に、価値はあったのか？
基準設定では、候補を絞らないkNNより、7指標すべてでシャープレシオが高かった。これが投稿の中心結果。
比較：「同じ先行地域に限定してkNN」対「全レジームからkNN」。順位別の配分と平均化を共通にして、候補の限定を加える価値を見る。
すべての棒がゼロの右側にある。形だけで選ぶ場合に対し、先行地域をそろえる追加が、基準設定の全指標でプラスだった。差は+0.023〜+0.087、7指標の単純平均は+0.049。
原論文掲載結果の再描画。2016–2025年、W=12、K=5、DTW。表4・仮説2 p.83
比較・設定と出典を読む
差＝Lead/Lag-KNN − Unconditional-KNN。個々の指標の戦略シャープレシオ差であり、平均差は7戦略を統合したポートフォリオの改善幅ではない。候補制限は利用可能な候補数も変えるため、経済的な伝播機序だけを識別した実験ではない。
QUESTION 05
先行地域が同じなら、さらに「近い過去」を選ぶ必要はあるのか？
その上乗せは一様ではない。同一レジームの全候補を使う場合を上回ったのは、7指標中4指標だった。
比較：「同じ先行地域の中でkNN」対「同じ先行地域の候補を選別せずに使用」。候補分類と配分規則をそろえ、近傍選択を加える価値を見る。
消費者心理・失業率・物価・10年利回りは右側だが、景気先行・小売・鉱工業生産は左側。「分類してから近い5局面」という二段階全体の優位を、二段階それぞれの一律な必要性と混同できない。
原論文掲載結果の再描画。表4・仮説3 p.83
比較・設定と出典を読む
差＝Lead/Lag-KNN − Lead/Lag-Only。近傍の選択だけでなく使用する局面集合と集計方法が異なる。比較から分かるのは実装された近傍選択・集計の追加効果であり、その良否が候補数・類似性のどちらに由来するかまでは分離していない。
QUESTION 06
結局、普通の配分より運用成績は良くなったのか？
逆ボラティリティ配分のシャープレシオ0.491に対し、提案手法は景気先行指標を除く6指標で上回った。ただし、これは戦略全体の比較。
| 入力指標 | 提案手法 | 同分類の全候補 | 無条件kNN | 逆ボラ配分 |
|---|---|---|---|---|
| BLI 景気先行 | 0.475 | 0.485 | 0.442 | 0.491 |
| CSI 消費者心理 | 0.535 | 0.412 | 0.448 | 0.491 |
| RS 小売売上 | 0.530 | 0.532 | 0.507 | 0.491 |
| IP 鉱工業生産 | 0.501 | 0.541 | 0.441 | 0.491 |
| UR 失業率 | 0.498 | 0.459 | 0.455 | 0.491 |
| CPI 消費者物価 | 0.581 | 0.530 | 0.537 | 0.491 |
| 10Y 国債利回り | 0.552 | 0.523 | 0.497 | 0.491 |
予測情報も配分規則も変わるため、この比較の差を「先行地域で絞った効果」だけには帰せない。その問いにはQ4の比較を使う。
損失幅まで一律に改善したわけでもない。最大ドローダウンは基準の−10.68%に対して、失業率入力では−13.04%、物価入力では−11.83%だった。
QUESTION 07
「7指標すべて改善」は、どこまで一般化できるのか？
期間や近傍数を変えても平均改善は残るが、比較する時間幅を変えると改善は小さくなる。「どの過去を比べるか」だけでなく「何カ月の形を比べるか」が重要だった。
ここでの差はすべて、提案手法 − 無条件kNN。7指標の平均差と、改善した指標数は別の量である。
| 変更した条件 | 平均ΔSR | 差が正の指標数 |
|---|---|---|
| 基準 W=12 / K=5 | +0.049 | 7/7 |
| 2016–2020 | +0.049 | 5/7 |
| 2021–2025 | +0.061 | 7/7 |
| K=3 | +0.023 | 6/7 |
| K=10 | +0.033 | 5/7 |
| W=6 | -0.005 | 4/7 |
| W=18 | +0.009 | 3/7 |
| ユークリッド距離 | -0.018 | 3/7 |
12カ月窓の棒に対し、6カ月窓はわずかに負、18カ月窓は小さな正に縮む。18カ月では平均が正でも改善指標は3/7にとどまり、平均改善と幅広い改善が同じではないことが分かる。
ユークリッド距離では平均差が負になった。ただしこれは、距離尺度を変えたときの候補限定の優位の比較。DTWのどの部分が改善を生むかを単独で識別したものではない。
比較・設定と出典を読む
- 基準はW=12、K=5、DTW。その他の設定の比較値は表5・表A.2。
- 2016–2020と2021–2025はサブ期間分析であり、論文が訓練・未使用テストとして割り当てた比較ではない。
- 2016–2020の小売の表示差は0.000。「正」は掲載値が正の指標数として数える。
- 論文はこの改善差について信頼区間・統計的有意性を報告していない。7指標は同じ地域・期間を使うため、7つの独立した再現実験とは扱わない。
QUESTION 08
この研究から持ち帰るべき核心は何か？
「似ている」を探す前に、その比較が意味を持つ構造をそろえる。この研究は、その条件付けが国債配分の成績改善につながった一例を示した。
この結果が示すこと
基準設定では、先行地域をそろえてから過去を探す方が、形だけで探すより良かった。類似性の定義に、地域間の時間関係を加える価値があった。
この結果だけでは分からないこと
経済的な因果の伝播、各時点の公表値だけを使った再現、費用控除後の優位、他資産・他地域への転用は確定しない。
なぜ、この境界が重要なのか？
- Leadは因果ではない。過去の米国の形と、後の欧州の形が対応しても、米国が欧州を動かしたと識別したわけではない。
- 公表ラグ調整と改定値対策は別。月次指標の公表時期を調整しても、後日改定された値が混ざる可能性は残る。実際の当時の情報だけで得られる成績は未確認。
- 粗い類似性の条件と、細かな近傍選択は別の問い。前者は基準で7/7、後者は4/7。複雑な探索を足すほどよい、という結果ではない。
- 予測の情報価値と、配分の最適性は別。勝者確率の大きさを比率に直接反映せず、60/30/10に固定。取引コストと回転率も未評価。
Q&A
先行する地域の国債を買う戦略なのか？
違う。先行地域は「過去の候補を選ぶ条件」。その過去局面後に最も良かった国債地域を集計して、現在の配分順位を決める。先行地域と投資先の1位は一致する必要がない。
7指標を全部使えば、もっと良いのか？
この論文は7指標を個別に入力している。統合した場合の追加価値や最適な組み合わせは検証していない。
一番重要な比較はどれか？
核心の「先行地域で候補を絞る意味」にはQ4。同分類内の近傍選択にはQ5、完成した配分戦略の水準にはQ6。それぞれ答える問いが違う。