マルチホライズン・ポートフォリオ最適化

マルチホライズン・ポートフォリオ最適化は、平均分散ポートフォリオ選択の動的拡張であり、複数の将来期間にわたるポートフォリオ比率と取引行動のシーケンスを同時に決定する。期待リターンと分散の単期間トレードオフを最適化するのではなく、累積目的関数（通常は期間別の効用またはリスクペナルティの加重和）を最小化し、動的予算制約、取引コスト、変化する情報を考慮する。このフレームワークは、投資家の嗜好、マーケット予測、制約が時間とともにどのように変化するかを明示的にモデル化し、開始時点だけでなく、順次再最適化された場合でも最適なポートフォリオ構築を可能にする。

このアプローチは、静的なマルコビッツ最適化を一般化し、実務環境における主要な制約を克服する。具体的には、パス依存性（例：本日の取引が翌日の機会集合に与える影響）を考慮し、時間変動するリスク回避度や損失回避度を許容し、取引コストやリバランスコストの組み込みを支援する。マルチホライズン・モデルは、特に主権財産基金、年金プラン、基金など、長期かつ複数年にわたるホライズンで資産を管理し、途中の流動性ニーズと長期的成長目標を調整する必要がある機関投資家にとって有用である。

マルチホライズン最適化は、状態変数、意思決定変数、目的関数という三つの相互連関する要素に基づく。状態変数は各期間で利用可能な情報セット（例：現在のポートフォリオ保有額、マーケット価格、マクロ経済指標、投資家の嗜好）を捉える。意思決定変数は各期間で保有すべきポートフォリオ比率または資産ポジションのベクトル、必要に応じて期間間の取引規模を含む。目的関数は計画ホライズン全体にわたる期間別効用またはペナルティを集約し、通常は期間効用の期待合計から時間的一貫性のあるリスク回避パラメータでスケーリングされたリスクペナルティ項を差し引いた形で表現される。

一般的な定式化では、時点 t の価値関数が次式を満たす再帰的効用構造を用いる：

V_t(S_t) = max_{a_t} { U(S_t, a_t) + β · E[V_{t+1}(S_{t+1}) | S_t, a_t] }

ここで S_t は時点 t の状態、a_t は行動（取引またはポートフォリオ選択）、U は単期間効用、β ∈ (0,1] は割引因子を表す。二次効用とガウス分布のリターンを仮定すると、ポートフォリオ比率のシーケンスに対する凸最適化問題に帰着し、マルチ期間リターンの共分散行列がリスク項に組み込まれる。

実務で使用されるマルチホライズン最適化には、嗜好、制約、リターン動態のモデル化方法により区別される複数のバリエーションがある：

• Time-additive mean-variance: 期間ごとの平均分散目的関数を一定のリスク回避係数で合計する。実装は簡単だが、リスク回避がゼロでない限り一般に時間的一貫性は保たれない。
• Time-consistent mean-variance: 目的関数を期間間の一貫性を保つように調整し、将来の価値関数の条件付き分散をリスク項に組み込むことが多い。これにより線形二次制御問題になる。
• Loss-aversion frameworks: ベンチマークや初期資産に対する損失が限界的不快感を高める参照依存的選好（例：プロスペクト理論）を組み込む枠組み。主にソブリン・ウェルス・ファンドや年金負債に関係する。
• Robust multi-stage optimization: シナリオツリーや曖昧集合を用いてリターン予測のモデル不確実性に備え、高次元環境での推定誤差感度を低減する。

機関投資家はマルチホライズン最適化を活用し、戦略的資産配分と戦術的リバランス、負債指向投資を連携させる。例えば、年金基金は3つのホライズンを設定する。短期（1〜2年）はキャッシュフローのマッチングと流動性、中期（3〜5年）はリスク予算とファクター・ティルト、長期（10年以上）は成長とインフレヘッジのためである。オプティマイザーは期間を跨いだ取引を同時に選択し、トラッキングエラー、回転率、ショートフォールリスクの加重合計を最小化する。ただし、資金比率制約や規制上限を遵守する。

実装は通常、ローリングホライズンまたはリシーディングホライズン方式で行われる。各リバランス日には、最新の予測と市場データを用いてマルチ期間計画全体を再計算し、最初の期間のアクションのみを実行する。これにより実行可能性と適応性を保ちつつ、先見的計画のメリットを維持できる。問題の規模や構造に応じて、動的計画法、確率的プログラミング、あるいは凸近似（例：SDP緩和）といった数値手法が用いられる。

2期間、2資産（株式と債券）を対象とし、初期資産 W₀、期間ごとの既知のリターン平均 μ₁, μ₂ と共分散 Σ がある設定を考える。取引コストは比例的で、単位ウェイト変化あたり κ·|Δw| とする。投資家は次式を最大化する：

E[U₁] + β·E[U₂]、ただし Uₜ = wₜ′μₜ − (γ/2)·wₜ′Σₜwₜ − κ·|wₜ − wₜ₋₁|

最適な第1期間ウェイト w₀* は、即時リターン、リスク、将来取引へのコミットコストのバランスを取る二次計画で求められる。オプティマイザーが第2期間に株式がより魅力的になると予測すれば、リバランスコストが期待リターンの上昇で相殺されることを見越して、やや低いウェイトを許容することがある。一方、単期間のオプティマイザーは第1期間のシグナルだけに過剰反応する。

マルチホライズン最適化にはいくつかの実務上のリスクが伴う：

• Forecast error amplification: マルチ期間リターン分布の推定には時系列相関やボラティリティ動態に関する仮定が必要で、わずかな誤差が期間を通じて累積し、最適でないまたは不安定なポリシーにつながる。
• Computational burden: 大規模なマルチステージプログラムの解決は計算コストが高く、分岐が多いシナリオツリーは数期間を超えると扱いきれなくなる。
• Model risk: 時間一貫性のある定式化はしばしば二次効用関数や正規分布リターンに依存するが、これらはテールリスクや歪みを正確に表現できない可能性がある。
• Overfitting to historical covariances: 高次元の共分散推定はノイズが多く、特にホライズンが歴史データの有効サンプルサイズを超える場合に過学習しやすい。

これらを緩和するため、実務家はマルチホライズン最適化に正則化（例：シュリンケージ、ファクターモデル）やロバストなシナリオ生成、代替リターンパスに対するストレステストを組み合わせる。

• Ignoring transaction costs in dynamic planning: マルチホライズン最適化を静的問題の連続とみなすと、取引回転が過剰になりパフォーマンスが低下する。
• Using inconsistent risk aversion across periods: 時間加法的平均分散目的で一定のリスク回避係数を使用すると、投資家が後に放棄したくなるような戦略が生まれ、計画の信頼性が損なわれる。
• Overlooking liquidity constraints: 予測価格での全取引が市場で成立すると仮定すると、特に流動性の低い資産で実行不可能なリバランススケジュールになる可能性がある。
• Misaligning horizons with decision rights: ファンドマネージャーが10年というホライズンで最適化しても、評価が四半期ごとであれば、インセンティブがずれ、計画から頻繁に逸脱する。

ベストプラクティスは、ホライズンの長さとリスク回避度を投資家の実際の意思決定サイクルに合わせてキャリブレーションし、アウト・オブ・サンプルシナリオ下でシンプルなベンチマーク（例：買い持ち、等ウェイト）と比較してオプティマイザーの出力を検証することである。