2. 投資理論（Finance × Quant）

投資理論（Finance × Quant）は、投資における「勘」や「経験則」を排し、リターンとリスクを数式として扱うための体系です。 Python などのプログラミング言語で再現しやすいため、データ分析・機械学習と親和性の高い領域でもあります。

投資判断は本質的に、次の3つの問いに集約されます。

• いくらの価値があるのか（Valuation）
• どれだけリターンを期待すべきか（Expected Return）
• リスクをどう管理・分散するか（Risk Management）

本章では、これらの問いに対する代表的なアプローチである DCF・CAPM・ポートフォリオ理論 を解説しつつ、それぞれをコードとして扱う視点までわかりやすく整理します。

2-1. DCF（ディスカウント・キャッシュフロー）：未来キャッシュフローの現在価値を求める

DCF法は、企業価値評価の最も代表的な理論であり、 「将来のキャッシュフローを割引率（WACC）で現在価値に変換する」 という考え方に基づきます。

● DCFのポイント

• 割引率（WACC：加重平均資本コスト）
• FCF（フリーキャッシュフロー）
• 現在価値（PV）計算
• 事業価値（Enterprise Value）算定

● Python での実装例（概念）

# FCF を割引して現在価値を求める
pv = fcf / (1 + wacc) ** n

● 実務での注意点

DCFは計算よりも、前提条件の置き方が結果を支配する点が重要です。 （成長率・割引率・ターミナルバリューなど）

2-2. CAPM（資本資産価格モデル）：リスクに応じた期待リターンを推定する

CAPMは、 「リスクを取った分だけリターンを要求できる」 という考え方にもとづき、個別資産の期待リターンを推定するモデルです。

● CAPMのポイント

• β（ベータ）：市場との連動性
• リスクプレミアム
• 無リスク金利

期待リターン ＝ 無リスク金利 ＋ β ×（市場リスクプレミアム）

● Python での実装例（概念）

# 市場リターンと銘柄リターンの回帰で β を推定
beta = cov(stock, market) / var(market)

● 実務での活用

• 資本コストの算定
• 投資プロジェクトのハードルレート設定
• 株式の過小評価・過大評価のチェック

2-3. ポートフォリオ理論：分散効果と効率的フロンティア

ポートフォリオ理論は、複数資産を組み合わせることで 「リスクは下げながら、リターンは最大化する」 という考え方を体系化したものです。

● 理論の中心

• 分散効果
• 共分散・相関
• 効率的フロンティア
• シャープレシオ最大化

● Python での実装例（概念）

# 分散共分散行列
cov_matrix = returns.cov()

# 最適ウェイトの探索（例）
weights = optimize_portfolio(cov_matrix, returns)

● 実務での視点

• 投資家のリスク許容度に応じた最適ポートフォリオ構築
• 市場危機時には相関が上昇し、分散効果が弱まる点に注意

2-4. 投資理論をコードで扱うメリット

投資理論は、複雑そうに見えて Python で直接再現できるため、学習効率が高い領域です。

● たとえば…

• DCF：FCF × 割引係数の計算
• CAPM：numpy で回帰 → β推定
• ポートフォリオ理論：cov() と行列演算で最適化

「金融理論がそのままコードになる」という体験は、Finance × Quant の学習を一気に加速させます。

2-5. 投資理論の実務上の落とし穴

現実の金融市場は、教科書通りには動きません。理論と実務の間には明確なギャップがあります。

● 代表的な落とし穴

• 過度な前提依存（DCF）
• 過去データへの過学習（CAPM・回帰分析）
• 相関の崩壊（ポートフォリオ理論）
• 分布のファットテールや極端事象の無視

投資理論は 現実の近似モデル にすぎず、未来を保証するものではないという前提が欠かせません。

2-6. まとめ：Finance × Quant の意義

Finance × Quant は、以下の3つで構成されます。

• 理論（数式）
• データ（財務・市場）
• 実装（コード）

投資理論の目的は、「正解」を当てることではなく、 不確実性を定量化し、よりよい意思決定を支援すること にあります。