QAML Asia stock-selection framework レポート解説

概要

Morgan StanleyはQuant + Analyst + Machine Learning銘柄選択フレームワークを日本を除くアジア太平洋地域へ拡張した。中心的な結論は、MLは最大化すべきスリーブではなく、差別化された情報と分散化の源泉として最も有用であるため、75/25のQuantamental/ML配分を選好し、これを戦略ベンチマークとして維持するというものだ。

主要見解

QAMLはMSCI AC Asia Pacific ex Japan IMIユニバースで、Value、Quality、Momentum、Growth、Low Riskを等ウェイトで組み合わせるCore Metrics、アナリスト情報を反映したDynamic Metric Pool、そして基本面と100超のテクニカル指標を用いるAdaBoost MLスリーブの3本柱を組み合わせる。前2者はQuantamentalサブコンポジットを形成する。証券はセクター相対でスコアリングされ、上位五分位をロング、下位五分位をショートとし、ロングブックのレバレッジを調整してベータ中立化する。シグナルは月末に測定し、月次でリバランスする。報告されたUSD実績はコスト控除前である。 主な投資根拠は、単一の優勢なシグナルに依存するのではなく、変化するアルファ源を分散させることにある。2002年以降2026年7月31日までの全サンプルで、QAMLの長期CAGRは23.6%で、Dynamic Metric Poolの21.0%、Core Metricsの20.1%、ML単独の17.9%を上回った。QAMLはすべての報告期間で絶対リターンも首位だった。単独スリーブのリスク調整後の首位は入れ替わり、Dynamic Metric Poolは5年と3年、Core Metricsは10年、MLは1年と年初来で首位だった。Morgan Stanleyは、各スリーブが一貫して単独で優位であることの証明ではなく、補完的な入力によるより強い複利効果がコンポジットの価値だとみている。 MLは最も差別化された構成要素を提供する。Core MetricsとDynamic Metric Poolのリターン相関は0.93であった一方、MLと各要素の相関は0.33にすぎなかった。QAML Compositeの最も高いスタイル相関はQualityの0.35とMomentumの0.33で、次いでValueの0.26だったが、単一のスタイル因子がリターンを支配しているわけではないとレポートは述べる。Barra Momentum中立化の感応度分析ではリターンとCAGR/Volが低下し、Momentumが過去の実績に有意に寄与していたことが示されたが、中立化後もリターンはプラスだった。Morgan Stanleyは、因子エクスポージャーが重複し、Momentumエクスポージャーがない反実仮想ポートフォリオを再現できないため、これを因果帰属ではなく診断とみなしている。 MLモデルは、ローリング12か月・60か月サンプル、マクロレジーム、暦季節性を通じ、将来のアウトパフォーム銘柄とアンダーパフォーム銘柄を区別するシグナルをAdaBoostで特定する。50回のboostingラウンドと1.0の学習率を使う。基本面シグナルは繰り返し重要である一方、近年のML選択では取引活動と市場構造の比重が増している。Share Turnover 252dの選択頻度は2002-2010では上位20外だったが、2011-2020では20.0%、2021-2026では28.8%となった。レポートは、選択頻度は初期boosting反復の記述的診断であり、最終的な因子寄与の尺度ではないと注意している。 ドローダウン分析は、MLエクスポージャーをポートフォリオ較正の判断として扱う根拠となる。2022年6月-7月のドローダウンでは、MLが最大の下落を経験したもののQAMLの複数の柱で損失が広がり、ML配分だけを下げても保護は部分的だった。2024年9月-10月のドローダウンでは損失がMLにより集中し、コンポジットはML配分により敏感となった。過去の50/50 QAMLに対し、75% Quantamental/25% MLは長期CAGR/Volを3.27から3.33へ改善し、全サンプル最大ドローダウンを-21.8%から-19.6%へ、2024年最大ドローダウンを-16.5%から-11.4%へ縮小した。MLを完全に除くと2024年ドローダウンは-5.9%まで低下したが、CAGRは23.6%から21.0%へ、CAGR/Volは3.27から3.12へ低下した。このためMorgan Stanleyは75/25を普遍的な最適ウェイトではなく、選好されるAPxJ戦略配分として採用する。 Adaptive QAMLは銘柄選択アーキテクチャを維持したまま、75/25ベースライン周辺でMLリスクを動的に変動させる。月次ML Risk Scoreは、ML相対ボラティリティ、MLドローダウンリスク、ML対Quantamental相関、Momentum/Low Vol因子ストレスを等ウェイトで集計する。前月末までに利用可能な情報とローリング10年分布のみに基づき、リスクが第10パーセンタイル未満なら50/50へ、中央80%では75/25を維持し、第90パーセンタイル以上なら100/0へ移行する。2012年1月から2026年7月までに、75/25ベースラインは123か月、すなわちサンプルの70.3%、50/50は21か月、100/0は31か月だった。Adaptive QAMLは静的75/25と概ね同様のリターンで、より低いボラティリティとドローダウンを示したが、保護効果はML集中ストレス時により有効で、広範なストレス時には限定的だった。それでもMorgan Stanleyは、さらなる検証を待って静的75/25を選好ベンチマークとして維持している。 実装面は未解決である。2012-2026の平均月次全ブック回転率は、静的50/50で44.7%、静的75/25で36.5%、MLなしで33.8%、Adaptive QAMLで37.5%だった。レポートは、低い回転率だけでは投資可能性を示さないとしており、結果には取引コスト、税金、資金調達、借株、流動性、マーケットインパクトが含まれない。小型株のIMIへの組み入れは機会集合を広げるが、流動性、キャパシティ、借株制約も高める。小型株を除く標準APxJユニバースでもQAMLは有効だったが、長期CAGRとCAGR/Volはそれぞれ16.8%と2.0で、APxJ IMIユニバースの23.6%と3.3より低かった。

分析フレームワーク

Morgan Stanleyはセクター相対・ベータ中立のロング・ショートバックテストを構築し、長期および短期の各期間でQAMLの各柱とコンポジットを比較した。その後、相関、スタイルエクスポージャー、ドローダウン、異なるMLウェイトを検証した。MLパラメータの頑健性も個別に検証し、過去のリスクスコアで動的配分をテストするとともに、APxJの取引摩擦を織り込んだコスト控除後検証の必要性を指摘している。

手法メモ

• クオンツ・ファクター・ポートフォリオ理論マルチファクターモデル

  マルチファクターQuantamental銘柄選択

  Core MetricsはValue、Quality、Momentum、Growth、Low Riskシグナルを平均し、Dynamic Metric Poolは相関と分散の管理下でアナリスト提案の指標を追加する。

• クオンツ・ファクター・ポートフォリオ理論スタイルファクター分析

  相関およびBarraスタイルエクスポージャー診断

  レポートは、QAMLのリターン源泉の差別化度を把握するため、構成要素間の相関とQuality、Value、Momentumの代理因子への感応度を比較する。

• その他その他

  AdaBoost機械学習分類

  MLスリーブは将来のアウトパフォーム銘柄とアンダーパフォーム銘柄を区別するシグナルを順次選び、以前のラウンドで分類が難しかった観測値の重みを高める。

• その他その他

  適応的MLリスク予算

  MLのボラティリティ、ドローダウン、相関、因子ストレスからなる標準化スコアが、次の月次リバランスでML配分を引き上げるか、維持するか、下げるかを決める。

資産マッピングと比較

投資テーゼから固有資産への構造化マッピング（強み、弱み、同業、リスク）。

• QAML Asia strategy

  APxJのベータ中立ロング・ショート銘柄選択フレームワークで、QuantamentalとMLスリーブを組み合わせる。

  強み

  報告された全期間で最も強い過去の絶対リターンを示し、MLが差別化された情報を加える。

  弱み

  実績はコスト控除前であり、リスク調整後の首位は構成要素間で入れ替わる。

  比較

  選好される75/25配分は、当初50/50比で過去のリターン・リスクおよびドローダウン指標を改善した。MLなしはドローダウンをさらに低下させるが、リターンと分散化を失う。

  リスク

  ML固有のドローダウン、広範な因子ストレス、回転率、流動性、借株、資金調達、マーケットインパクト、キャパシティ制約。

主要データ

• QAML Composite長期CAGR23.6%2002年以降2026年7月31日までのコスト控除前APxJ IMIバックテストであり、全単独スリーブを上回る。
• QAML Composite長期CAGR/Vol3.27当初の50% Quantamental / 50% ML仕様。
• 選好される75/25のCAGR/Vol3.33当初50/50 QAMLの3.27に対して。
• 全サンプル最大ドローダウン-19.6%選好される75/25配分であり、50/50の-21.8%に対して。
• 2024年最大ドローダウン-11.4%選好される75/25配分であり、50/50の-16.5%に対して。
• 各Quantamental柱とのML相関0.33Core MetricsとDynamic Metric Poolの0.93の相関に対して。
• 平均月次回転率36.5%2012-2026年の静的75/25であり、50/50の44.7%とAdaptive QAMLの37.5%に対して。

影響と示唆

本レポートは、MLを単独リターンだけでなく、追加的な分散化と情報への寄与で評価すべきだとする。APxJではMorgan Stanleyは当初50/50設計より低い戦略的MLリスク予算を選好し、ML固有のストレスが高まる際にはAdaptive QAMLがリスク効率をさらに改善し得るが、コスト控除後と頑健性の検証が必要である。

リスク

• すべての過去の結果はコスト控除前であり、APxJの取引コスト、税金、資金調達、借株、マーケットインパクトの仮定下で維持されない可能性がある。
• 小型株の組み入れは流動性、キャパシティ、マーケットインパクト、借株制約を高める可能性がある。
• Adaptive QAMLは万能のドローダウンヘッジではなく、全柱に広範なストレスが及ぶ場合は保護が限定的である。
• 国、通貨、セクター、因子エクスポージャーは、地域ロング・ショート実装において引き続き重要な診断項目である。
• キャパシティは現在のバックテストから推論できず、証券レベルの流動性とマーケットインパクト分析が必要である。

注目点

• APxJの取引コスト、税金、資金調達、借株、マーケットインパクト仮定を用いた50/50、選好75/25、Adaptive QAML仕様のコスト控除後テスト。
• ルックバック期間、状態閾値、切替頻度をまたぐAdaptive QAMLのウォークフォワード頑健性。
• APxJ固有の利回り・イールドカーブレジーム入力が現行の米国金利代理を改善するか。
• Adaptive QAMLのリスク低減と追加的な回転率の経済的トレードオフ。
• QAMLとMLリスク較正をAPxJからEmerging Marketsへ拡張すること。