【実践Python】ファクター投資でモメンタム×リスクパリティを組み合わせてみた

投資・ファイナンス

🔍 はじめに

ファクター投資の世界では、**リスクのバランスをとる「リスクパリティ」**と、**過去のリターンを活かす「モメンタム」**は、それぞれ有効性が実証されたアプローチです。

本記事では、それらをファーマ＝フレンチのファクターデータを用いてPythonで組み合わせ、以下のような合成戦略を4パターン実装＆比較していきます。

使用する戦略（コンポーネント）

まず、ベースとなる2つの戦略は以下のように定義済みとします：

  • RiskParityStrategyScipy（リスクパリティ）（quantechia.strategy.riskに実装）
  • MomentumStrategy（ファクターモメンタム）
from quantechia.strategy import risk, basestrategy
from quantechia import analysis

class MomentumStrategy(basestrategy.BaseStrategy):
    def __init__(self, price_data: pd.DataFrame = None, rtn_data: pd.DataFrame = None,window=12,alpha=1, strategy_name: str = None, initial_capital: float = 1, shift_num: int = 1, cost: bool = True, cost_unit: float = 0.0005):
        super().__init__(price_data, rtn_data, strategy_name, initial_capital, shift_num, cost, cost_unit)
        self.window = window
        self.alpha = alpha
    def calculate_weight(self) -> pd.DataFrame:
        # モメンタムスコア（r/r）
        rolling_mean = self.rtn_data.rolling(window=self.window).mean()
        rolling_std = self.rtn_data.rolling(window=max(10, self.window)).std()
        rr_score = rolling_mean / (rolling_std + 1e-8)
        rr_score = rr_score.clip(0, 1.5)

        # 直近1ヶ月のリターンを取得
        recent_return = self.rtn_data.shift(1)

        # NaN行を除外してトップファクターを取得
        top_factors = recent_return.dropna(how='all').idxmax(axis=1)

        # 補正マスクを作成
        bonus = pd.DataFrame(0, index=rr_score.index, columns=rr_score.columns)
        for date, factor in top_factors.items():
            if factor in bonus.columns:
                bonus.at[date, factor] = 1


        # 補正スコアの加算（ボーナスを加える）

        adjusted_score = rr_score + self.alpha * bonus
        self.score = adjusted_score
        # スコアの合計が±1になるようにスケーリング
        valid_score = adjusted_score.dropna(how='all')
        weights = valid_score.div(valid_score.abs().sum(axis=1), axis=0)



        return weights


rp = risk.RiskParityStrategyScipy(index_data)
rp.calculate_weight()
rp_w = rp.weight

mom = MomentumStrategy(index_data, window=12)
mom.calculate_weight()
mom_w = mom.weight
score = mom.score

この rp（リスク分散）と mom（勢い）をうまく活用しながら、合成戦略を実装していきます。

合成戦略のパターン（全4種類）

① スコア掛け算＋正規化（MulNorm）

モメンタムスコアをそのまま重みに乗せて、合成後に正規化します。

class CombinedStrategyMulNorm(BaseStrategy):
    def calculate_weight(self) -> pd.DataFrame:
        rp_w = self.rp_strategy.weight
        score = self.momentum_strategy.score

        combined = rp_w.mul(score, axis=1)
        combined = combined.div(combined.sum(axis=1), axis=0)
        return combined

② 単純平均（WeightedAvg）

リスクパリティとモメンタム戦略のウェイトを0.5ずつで平均化。

class CombinedStrategyWeightedAvg(BaseStrategy):
    def calculate_weight(self) -> pd.DataFrame:
        rp_w = self.rp_strategy.weight
        mom_w = self.momentum_strategy.weight

        combined = 0.5 * rp_w + 0.5 * mom_w
        combined = combined.div(combined.sum(axis=1), axis=0)
        return combined

③ スコア上位Nのみ採用（TopN）

モメンタムスコア上位N個（例：3個）のファクターのみ採用してRP重みを残します。

class CombinedStrategyTopN(BaseStrategy):
    def __init__(..., top_n=3, ...):
        ...

    def calculate_weight(self) -> pd.DataFrame:
        rp_w = self.rp_strategy.weight
        score = self.momentum_strategy.score

        mask = score.rank(axis=1, ascending=False) <= self.top_n
        mask = mask.astype(float)

        combined = rp_w.mul(mask, axis=1)
        combined = combined.div(combined.sum(axis=1), axis=0)
        return combined

④ スコア×逆ボラティリティ（ScoreVol）

モメンタムスコアと逆ボラティリティ（安定性）を掛けて重みを算出。

class CombinedStrategyScoreVol(BaseStrategy):
    def calculate_weight(self) -> pd.DataFrame:
        rp_w = self.rp_strategy.weight
        score = self.momentum_strategy.score

        vol = self.price_data.pct_change().rolling(window=21).std()
        inv_vol = 1 / vol
        inv_vol = inv_vol.replace([np.inf, -np.inf], 0).fillna(0)

        combined = score * inv_vol
        combined = combined.div(combined.sum(axis=1), axis=0)
        return combined

戦略の実行と比較

データ取得

from quantechia.factor import fama_french
import pandas as pd

data = fama_french.get_ff()
del data['RF']

index_data = (1+data/100).cumprod()
index_data.index = index_data.index.to_timestamp(how='end').date
index_data.index = pd.to_datetime(index_data.index)
index_data

戦略インスタンスを生成

strategies = {
    "MulNorm": CombinedStrategyMulNorm(index_data, rp, mom),
    "WeightedAvg": CombinedStrategyWeightedAvg(index_data, rp, mom),
    "TopN": CombinedStrategyTopN(index_data, rp, mom, top_n=3),
    "ScoreVol": CombinedStrategyScoreVol(index_data, rp, mom),
}

各戦略のパフォーマンスを評価

results = []

for name, strat in strategies.items():
    stat = strat.evaluate()
    stat["strategy"] = name
    results.append(stat)

performance_df = pd.DataFrame(results).set_index("strategy")
performance_df

📈 表として比較できるようになります。
（例：CAGR、シャープレシオ、最大ドローダウン、勝率など）

合成戦略のパフォーマンス比較・考察

strategy Sharpe Ratio Max Drawdown Winning Rate Turnover
MulNorm 2.66 -19.35% 59.9% 70.1%
WeightedAvg 3.45 -14.30% 61.5% 38.8%
TopN 3.79 -11.97% 60.1% 42.4%
ScoreVol 2.81 -17.47% 59.5% 75.9%

考察

  1. シャープレシオ（リスク調整後リターン）
  • TopN が最も高く3.79、続いて WeightedAvg の3.45。
  • MulNorm と ScoreVol は2.6〜2.8とやや控えめ。
    → 上位スコアのファクターに絞り込む TopN 戦略が、効率的なリスク配分を実現している可能性が高いです。
  1. 最大ドローダウン
  • TopN が最小の約 -12%、最も良好なリスク管理を実現。
  • WeightedAvg も約 -14% と安定。
  • MulNorm と ScoreVol はやや大きめのドローダウン。
    → 上位ファクター選択や平均化でリスクを抑えることができています。
  1. 勝率（トレード成功率）
  • どの戦略も約59〜61%の範囲で似通っている。
  • WeightedAvg がやや高めの61.5%。
    → 勝率は大きな差がなく、リスク・リターンの組み合わせがパフォーマンスの違いに影響していると考えられます。
  1. ターンオーバー（売買頻度）
  • ScoreVol と MulNorm は70%超えの高い回転率。

  • WeightedAvg と TopN は40%前後と比較的低め。
    → 高頻度売買は手数料コストや実行面の課題になりやすく、安定した戦略としては低めのターンオーバーが望ましいです。

  • TopN 戦略はシャープレシオが最も高く、ドローダウンも最小。
    投資資金を絞って集中投資することで、効率的なリスク・リターンを両立しています。
    ターンオーバーも中程度で実運用でも扱いやすいレベル。

  • WeightedAvg は次点で安定感があり、勝率も高い。
    リスクパリティとモメンタムをバランス良く加重平均し、リスク管理とパフォーマンスの両立に優れています。
    取引回数が少なめなのもプラス要素。

  • MulNorm と ScoreVol はターンオーバーが高く、手数料コスト面で不利な可能性。
    パフォーマンス面でも中庸ですが、ボラティリティ調整など工夫の余地がありそうです。

TopNがよかったですが、RP戦略そのもののr/rは3.7程度なので、モメンタムを組み合わせないほうがよさそうでした…
１か月モメンタムとの合成ならR/Rは向上しそうです

１か月モメンタムの場合

# 共通のRP/Momentum戦略を一度だけ作成して使い回す
rp = risk.RiskParityStrategyScipy(index_data)
rp.calculate_returns()

mom = MomentumStrategy(index_data, window=1)
mom.calculate_returns()

eq_strategy = basestrategy.EqualWeightStrategy(index_data, strategy_name='eq')
eq_strategy.calculate_returns()
import numpy as np
strategies = {
    "MulNorm": CombinedStrategyMulNorm(index_data, rp, mom, strategy_name="mulnorm"),
    "WeightedAvg": CombinedStrategyWeightedAvg(index_data, rp, mom, strategy_name="wavg"),
    "TopN": CombinedStrategyTopN(index_data, rp, mom, top_n=3, strategy_name="topn"),
    "ScoreVol": CombinedStrategyScoreVol(index_data, rp, mom, strategy_name="scorevol"),
    "RP":rp_strategy,
    "Equal Weight":eq_strategy
}

results = []
for name, strat in strategies.items():
    stat = strat.evaluate()
    stat["strategy"] = name
    results.append(stat)

comparison_df = pd.DataFrame(results).set_index("strategy")
comparison_df


単純なウェイト合成であればR/Rは高かったですが、他の合成方法は微妙です

まとめ

本記事では、リスクパリティとファクターモメンタムの組み合わせによる4種類の合成戦略をPythonで実装・比較しました。

  • 構成を外から渡すことで、柔軟に比較が可能
  • 戦略間のパフォーマンス差を定量的に評価できる
  • モデル拡張も容易（例：QualityやValueファクターの追加）

発展的なアイデア

  • ファクター選定の動的切り替え（Adaptive TopN）
  • 各戦略をEnsembleして最終ポートフォリオを生成
  • 時系列CVによるバックテスト精度の向上

本記事で紹介したコードはこちら

タイトルとURLをコピーしました