1 基本概念
1.1 リスクとリターンの定義
投資ポートフォリオ最適化において、リスクとリターンは最も基本的な概念である。リターンは投資が生み出す収益を表し、リスクはその収益の不確実性を表す。両者はトレードオフの関係にあり、高いリターンを求めるほど高いリスクを受け入れる必要がある。
1.1.1 期待リターン
期待リターンは、資産またはポートフォリオが将来生成すると見込まれる平均的な収益率である。歴史的データの平均値や、将来のシナリオに基づく確率加重平均として計算される。複数の資産からなるポートフォリオの期待リターンは、各資産の期待リターンをその構成比率で加重平均したものとなる。数学的には、\( E(R_p) = \sum w_i E(R_i) \) と表される。
1.1.2 リスク指標（標準偏差、分散）
リスクの最も一般的な指標は分散とその平方根である標準偏差である。分散は期待リターンからの乖離の二乗の期待値であり、標準偏差はその平方根でリターンのばらつきを元の単位で表す。標準偏差が大きいほど、実際のリターンが期待値から大きく乖離する可能性が高く、リスクが高いとされる。ポートフォリオの分散は、個別資産の分散だけでなく、資産間の共分散にも依存する。
1.2 分散効果の原理
分散効果とは、複数の資産を組み合わせることで、ポートフォリオ全体のリスクが個別資産のリスクの単純合計よりも低減できる現象を指す。これは資産間の相関関係に依存する。相関が低い（特に負の相関を持つ）資産を組み合わせると、一方の資産の値下がりを他方の値上がりが部分的に相殺するため、ポートフォリオ全体の変動が抑えられる。この原理は、「卵を一つの籠に盛るな」という格言で知られる分散投資の数学的基礎である。
1.3 効率的フロンティア
効率的フロンティアは、与えられたリスク水準において最大の期待リターンを達成するポートフォリオ、または与えられた期待リターンにおいて最小のリスクを達成するポートフォリオの集合をグラフ上に描いた曲線である。この曲線より右上の領域はリスク・リターンの観点から効率的であり、左下の領域は非効率的（同じリスクでより高いリターンが得られる、または同じリターンでより低リスクが達成可能）となる。効率的フロンティア上のポートフォリオは、投資家のリスク選好に応じて選択される。
1.3.1 シャープレシオと資本市場線
シャープレシオは、ポートフォリオの超過リターン（リスクフリーレートを差し引いたリターン）をその標準偏差で割った値であり、リスク1単位あたりの超過リターンを表す。シャープレシオが高いほど、リスク調整後のパフォーマンスが良好であることを示す。資本市場線（CML）は、リスクフリー資産と効率的フロンティア上の市場ポートフォリオを結ぶ直線であり、最適な資本配分を示す。CML上の任意の点は、リスクフリー資産と市場ポートフォリオの組み合わせで達成可能であり、CMLの傾きがシャープレシオに一致する。
2 理論的基礎
2.1 マーコウィッツの平均分散モデル
1952年にハリー・マーコウィッツが提唱した平均分散モデルは、現代ポートフォリオ理論の基礎である。このモデルは、投資家が期待リターンとリスク（分散）の二つの要因のみを考慮して投資判断を行うと仮定する。ポートフォリオ選択問題は、与えられた期待リターンの目標値に対してリスクを最小化するか、あるいは与えられたリスク制約のもとで期待リターンを最大化する問題として定式化される。
2.1.1 二次計画法による定式化
平均分散モデルは二次計画法として数学的に表現される。目的関数はポートフォリオの分散（リスク）の最小化であり、制約条件として期待リターンの目標値、投資比率の合計が1であること、さらには空売り禁止などの実務的制約が追加される。定式化は以下の通りである：最小化 \( \sigma_p^2 = \mathbf{w}^T \Sigma \mathbf{w} \)、制約条件 \( \mathbf{w}^T \boldsymbol{\mu} = \mu_0 \)、\( \mathbf{w}^T \mathbf{1} = 1 \)。ここで \( \mathbf{w} \) は資産のウェイトベクトル、\( \Sigma \) は共分散行列、\( \boldsymbol{\mu} \) は期待リターンベクトル、\( \mu_0 \) は目標リターンである。
2.1.2 制約条件と実務的課題
実務では、空売り禁止制約（各ウェイトが0以上）、セクター集中制限、流動性制約、取引コスト制約などが加わる。これらの制約は最適化問題を複雑にし、解析解が得られなくなることが多い。また、平均分散モデルの実用上の最大の課題は、入力パラメータ（期待リターン、共分散行列）の推定誤差である。推定誤差が大きいと、最適化結果が不安定になり、過去のデータに過度に適合したポートフォリオ（オーバーフィッティング）が生成されるリスクがある。
2.2 資本資産価格モデル（CAPM）
資本資産価格モデル（CAPM）は、マーコウィッツの平均分散モデルを拡張し、市場全体との関係で個別資産のリスクとリターンの関係を記述する。すべての投資家が同じ効率的フロンティアに直面し、リスクフリー資産で貸借できると仮定すると、市場は均衡状態に達し、すべての資産のリスクプレミアムは市場リスクとの共分散に比例するという結論が導かれる。
2.2.1 ベータ係数と市場リスク
ベータ係数は、個別資産のリターンが市場全体のリターンに対してどの程度感応的かを示す指標である。βが1の資産は市場と同程度の変動、βが1より大きい資産は市場より変動が大きく（攻撃的）、βが1より小さい資産は市場より変動が小さい（防御的）と解釈される。CAPMでは、分散可能な固有リスクは分散投資で消去できるため、市場リスク（システマティックリスク）のみがリターンに見合うリスクとされる。
2.2.2 証券市場線
証券市場線（SML）は、個別資産の期待リターンとベータ係数の関係を示す直線である。SML上に位置する資産は適正に評価されており、SMLより上にある資産は過小評価（高いリターンを見込める）、下にある資産は過大評価（低いリターンしか見込めない）と判断される。SMLの傾きは市場リスクプレミアム（市場全体の期待リターンからリスクフリーレートを引いた値）であり、切片がリスクフリーレートとなる。
2.3 ブラック・リッターマンモデル
ブラック・リッターマンモデルは、1990年にフィッシャー・ブラックとロバート・リッターマンによって提唱された、ポートフォリオ構築のためのベイズ的アプローチである。このモデルは、CAPMから導かれる均衡期待リターンを出発点とし、投資家の主観的な見解（ビュー）を組み合わせることで、より安定した期待リターンの推定値を得ることを目的とする。
2.3.1 期待リターンの主観的調整
ブラック・リッターマンモデルでは、まずCAPMに基づく均衡期待リターンを算出する。次に、投資家が特定の資産や市場に対して持つ定性的または定量的な見解（例：「今後1年間で日本株は米国株を5%アウトパフォームする」）を、信頼度とともにモデルに組み込む。これらの情報をベイズ更新の枠組みで統合し、新たな期待リターンベクトルと共分散行列を導出する。この手法により、極端なウェイトが発生しにくくなり、推定誤差の影響を低減できる。
3 実践的アプローチ
3.1 データ収集と入力パラメータ
ポートフォリオ最適化を実行するには、各資産の期待リターン、分散、および資産間の共分散（または相関）が必要である。これらのパラメータは通常、過去のデータから推定されるが、推定方法によって最適化結果が大きく変わるため、注意深い選択が求められる。
3.1.1 歴史的データの利用
歴史的リターンデータは最も一般的な情報源である。一定期間（例：過去3年、5年、10年）の日次、週次、月次リターンを計算し、その平均を期待リターンの推定値、標本分散・共分散をリスクの推定値として用いる。しかし、過去の平均リターンは将来の期待リターンの良い推定値とは限らず、特に短期間のデータではノイズが大きい。また、過去の共分散構造が将来も継続するという仮定にも注意が必要である。
3.1.2 共分散行列の推定
多数の資産を扱う場合、標本共分散行列は推定誤差が大きくなり、最適化結果を不安定にする。この問題に対処するため、単純化モデル（例：シングルインデックスモデル、コンスタント・コリレーション）や、縮小推定（シュリンケージ推定）などの手法が用いられる。近年では、エクスポネンシャル・ウェイティングやDCC-GARCHモデルなどの時系列モデルも利用される。
3.2 制約条件の設定
最適化の現実性を高めるために、様々な制約条件が課される。制約の有無により、最適化問題の解や計算手法が異なる。
3.2.1 制約なし最適化
制約なし最適化では、空売りやレバレッジが許容される。その場合、解析的に最適解を求めることが可能であり、効率的フロンティアは放物線の一部として得られる。最適ポートフォリオは、シャープレシオを最大化する接点ポートフォリオとして一意に定まる。ただし、現実の投資では空売り制約や資金制約があるため、制約なし解は実用的でないことが多い。
3.2.2 制約付き最適化（空売り禁止、セクター制限など）
最も一般的な制約は空売り禁止（ウェイトが非負）である。この場合、多くの資産のウェイトが0となり、少数の資産に集中するポートフォリオが生成されやすい。さらに、個別銘柄への集中を防ぐための上限制約、セクターごとの比率制限、流動性制約（時価総額ウェイトの上限）などが実務では課される。制約付き最適化は数値解法（例えばクリティカルライン法や内点法）によって解かれる。
4 評価とリバランス
4.1 パフォーマンス評価指標
ポートフォリオのパフォーマンスを評価するには、単なるリターンだけでなく、リスクを考慮した指標が必要である。いくつかの代表的な指標を以下に示す。
4.1.1 シャープレシオ
シャープレシオは、ポートフォリオの超過リターン（ポートフォリオのリターンからリスクフリーレートを差し引いたもの）を標準偏差で割った値である。値が高いほど、リスク1単位あたりのリターンが高いことを意味する。ただし、リスクフリーレートの選択や、標準偏差が上下両方の変動をリスクとみなす点に注意が必要である。
4.1.2 ソルティノレシオ
ソルティノレシオは、シャープレシオの変種であり、下方リスクのみを考慮する。具体的には、超過リターンを下方標準偏差（目標リターン以下のリターンの標準偏差）で割った値である。投資家が通常、下方変動（損失）を嫌うという行動を反映しており、特にヘッジファンドの評価などで用いられる。
4.1.3 最大ドローダウン
最大ドローダウンは、ポートフォリオの過去のピークからの最大の下落幅をパーセンテージで表したものである。絶対的な損失リスクの尺度として直感的に理解しやすく、多くの投資家が重視する指標である。ただし、ドローダウンの期間や頻度は考慮されないため、他の指標と組み合わせて用いることが望ましい。
4.2 定期的リバランスの戦略
ポートフォリオは時間の経過とともに資産価格の変動により初期のウェイトから乖離するため、定期的に目標ウェイトへ戻すリバランスが必要である。リバランスによりリスク水準を維持し、分散効果を継続的に確保する。
4.2.1 カレンダーベース
カレンダーベースのリバランスは、毎月、四半期ごと、半年ごとなど、あらかじめ決められたスケジュールで一斉にポートフォリオを調整する方法である。シンプルで実装が容易であり、取引コストも予測しやすい。ただし、市場の急変に対応できない場合がある。
4.2.2 しきい値ベース
しきい値ベースのリバランスは、各資産のウェイトが目標ウェイトから一定の許容範囲（例えば±5%）を超えた場合にのみリバランスを実行する戦略である。取引コストを節約しつつ、大きな乖離を防ぐことができる。カレンダーベースと組み合わせて、最低限の頻度を確保することも多い。
4.3 リスク管理の実践
ポートフォリオのリスクを定量的に管理するための手法として、VaR（バリュー・アット・リスク）やCVaR（条件付きバリュー・アット・リスク）が広く用いられる。
4.3.1 VaRとCVaR
VaRは、一定の信頼水準（例えば95%）で、特定の保有期間（例えば1日）において予想される最大損失額（または損失率）を表す。例えば、95% VaRが100万円であれば、1日で100万円を超える損失が発生する確率は5%であることを意味する。CVaRは、VaRを超えた損失の平均値を示し、VaRでは捉えられないテールリスクを評価する。VaRはサブアディティブ性を満たさない場合があるのに対し、CVaRはコヒーレントなリスク尺度であるため、最適化の目的関数としても利用される。
5 発展的トピック
5.1 ロバスト最適化
ロバスト最適化は、入力パラメータの不確実性を明示的に考慮し、最悪ケースのパフォーマンスを改善することを目的とする手法である。期待リターンや共分散行列の推定値に不確実性集合（例えば、平均値の周りの楕円体）を設定し、その集合内で最悪のパフォーマンスを最適化する。これにより、推定誤差に対して頑健なポートフォリオが得られる。ただし、解が保守的になりすぎる傾向がある。
5.2 ブラック・リッターマンとベイズアプローチ
ブラック・リッターマンモデルはベイズ推定の一種であり、事前分布として均衡期待リターンを用い、投資家の見解をデータとして尤度関数を構築し、事後分布から期待リターンを推定する。この枠組みは、他のベイズ的手法（例えば、階層ベイズモデルや確率的ボラティリティモデル）と組み合わせることで、より柔軟なポートフォリオ構築が可能となる。近年では、事前分布の選択や見解の定量化に関する研究が進んでいる。
5.3 機械学習の応用
機械学習技術は、ポートフォリオ最適化の様々な段階で応用されている。特に、大規模なデータセットからパターンを抽出し、非線形関係や時間変動を捉えることが可能である。
5.3.1 クラスタリングによる資産分類
クラスタリング手法（k-means、階層的クラスタリング、自己組織化マップなど）を用いて、類似した時系列パターンを持つ資産をグループ化する。これにより、同じクラスター内の資産は分散効果が小さいため、ポートフォリオに含める資産数を減らして計算負荷を軽減したり、セクター制約の代替として利用したりする。また、クラスタリング結果に基づいて階層的リスクパリティを構築する手法もある。
5.3.2 強化学習による動的最適化
強化学習は、時系列的な意思決定問題に適しており、ポートフォリオの動的最適化に応用される。エージェント（投資家）は、市場状態（環境）を観測し、資産配分（行動）を選択し、その結果得られるリターン（報酬）に基づいて方策を学習する。Q学習やポリシーグラディエント法などが用いられ、特に取引コストや市場インパクトを考慮したリアルタイムの最適化に有効とされる。ただし、状態空間や行動空間が大きくなると学習が困難になる課題がある。
5.4 行動ファイナンスとの関連
行動ファイナンスは、投資家の心理的バイアスが投資行動や市場価格に与える影響を研究する分野であり、ポートフォリオ最適化にも示唆を与える。例えば、損失回避バイアスは投資家が損失を過大評価するため、下方リスクを重視した最適化（ソルティノレシオの最大化など）が実際の選好に合致する。また、アンカリング効果や自信過剰は、推定パラメータのバイアスにつながる。近年では、これらのバイアスを数理モデルに組み込んだ行動ポートフォリオ理論も提案されている。
6 よくある誤解と注意点
6.1 過度な最適化のリスク（オーバーフィッティング）
過去のデータに過度に適合したポートフォリオは、将来のパフォーマンスが期待通りにならないリスクが高い。特に、多数の資産からなるポートフォリオで制約なし最適化を行うと、推定誤差が増幅され、アウトオブサンプルでのシャープレシオが大幅に低下する。これを防ぐためには、パラメータ数を抑える、正則化（L1正則化によるスパースポートフォリオなど）を用いる、ロバスト最適化を採用するなどの対策が有効である。
6.2 推定誤差の影響
期待リターンの推定誤差は、ポートフォリオ最適化において特に深刻な問題である。標準偏差の推定誤差に比べ、期待リターンの推定誤差は最適化結果に大きな影響を与える。例えば、過去の高いリターンに引きずられて過大評価された資産に大きく投資する傾向が生じる。この問題に対処するため、将来のリターンを予測するモデルの構築や、縮小推定、ブラック・リッターマンモデルの利用が推奨される。
6.3 分散効果の過信
分散投資はリスク低減に有効であるが、すべてのリスクを消去できるわけではない。市場全体の下落（システムリスク）や、予期せぬ相関構造の変化（特に金融危機時の相関の急上昇）の下では、分散効果が限定的になる。また、少数の資産に集中したポートフォリオでは分散効果が十分に発揮されない。分散効果を過信せず、適切な資産数と資産クラスの選択、そして定期的なリバランスとリスクモニタリングが必要である。