標本モーメントへようこそ！
FRM Part Iの学習を進めていると、「母集団」（真の背後にあるデータ生成プロセス）という言葉をよく耳にするでしょう。現実の世界では、リスク管理者が母集団全体を観測できることはほとんどありません。その代わり、有限のデータの標本（サンプル）を観測し、標本モーメントを計算することで、母集団分布の性質を推測します。
1. 基本概念：母集団 vs 標本、推定量 vs 推定値
計算式を扱う前に、理論上の構成概念と実証的な計算の違いを明確に区別しておくことが不可欠です：
母集団モーメント vs 標本モーメント： 母集団モーメント（母平均 \(\mu\) や母分散 \(\sigma^2\) など）は、母集団全体を記述する固定的で非確率的なパラメータです。一方、標本モーメント（標本平均 \(\bar{X}\) や標本分散 \(s^2\) など）は、観測された標本データから計算され、標本抽出による変動を伴う確率変数です。
推定量 vs 推定値： 推定量（Estimator）とは、無作為標本に適用される規則や数学的な関数を指します（例：\(\hat{\theta} = \frac{1}{n}\sum X_i\)）。推定値（Estimate）とは、特定の観測された標本データセットで推定量が評価されたときに得られる具体的な数値です（例：\(4.2\%\)）。
2. 推定量に求められる主な望ましい性質
リスクアナリストは、主に以下の3つの基準に基づいて推定量を評価します：
不偏性（Unbiasedness）： 推定量 \(\hat{\theta}\) の期待値が真の母集団パラメータに等しい場合、その推定量は不偏であるといいます：\(E[\hat{\theta}] = \theta\)。バイアス（偏り）は \(\text{Bias}(\hat{\theta}) = E[\hat{\theta}] - \theta\) と定義されます。
最良線形不偏推定量（BLUE：Best Linear Unbiased Estimator）： 観測値に対して線形であり、不偏であり、かつすべての線形不偏推定量の中で最小の分散を持つ推定量は、BLUEと呼ばれます。分散が最小であるということは、推定値が真のパラメータの周囲により緊密に集中することを意味します。
一致性（Consistency）： 標本サイズ \(n\) が無限大に近づくにつれて、推定量が真のパラメータに確率収束する場合、その推定量は一致推定量であるといいます：\(\lim_{n \to \infty} P(|\hat{\theta}_n - \theta| > \epsilon) = 0\)。
3. 第1モーメント：標本平均 \(\bar{X}\)
標本平均は中心傾向を測定し、母平均 \(\mu\) を推定します：
\( \bar{X} = \frac{1}{n} \sum_{i=1}^{n} X_i \)
ここで、\(n\) は観測値の数、\(X_i\) は各標本値を表します。標本平均は \(\mu\) の不偏推定量であり（\(E[\bar{X}] = \mu\) であるため）、古典的な仮定の下では \(\mu\) の最良線形不偏推定量（BLUE）となります。
標本分布、大数の法則（LLN）、中心極限定理（CLT）
\(\bar{X}\) は確率データから計算されるため、それ自体が固有の確率分布を持ち、その標準誤差（SE）は以下の通りです：
\( SE_{\bar{X}} = \frac{\sigma}{\sqrt{n}} \)
大数の法則（LLN）： 標本サイズ \(n\) が大きくなるにつれて、標本平均 \(\bar{X}\) は母平均 \(\mu\) に確率収束します。これは、\(\bar{X}\) が \(\mu\) の一致推定量であることを示しています。
中心極限定理（CLT）： 有限の分散 \(\sigma^2\) を持つ独立同一分布（i.i.d.）の標本において、\(n \to \infty\) のとき、基礎となる母集団の分布形状に関わらず、\(\sqrt{n}(\bar{X} - \mu)\) の分布は正規分布に分布収束します：\(\bar{X} \sim N\left(\mu, \frac{\sigma^2}{n}\right)\)。
4. 第2モーメント：標本分散と標準偏差
標本分散は、標本平均の周りにおけるデータの散らばり具合を測定します。
\( s^2 = \frac{1}{n-1} \sum_{i=1}^{n} (X_i - \bar{X})^2 \)
ベッセルの補正（\(n-1\)）： \(n\) ではなく \(n-1\) で割ることで、未知の真の母平均 \(\mu\) の代わりに \(\bar{X}\) を使用したことによって失われた自由度を補正します。これにより、\(s^2\) は母分散 \(\sigma^2\) の不偏推定量となります。
標本標準偏差 \(s\)： \( s = \sqrt{s^2} \)。\(s^2\) は \(\sigma^2\) の不偏推定量ですが、\(s\) はイェンセンの不等式により、厳密には \(\sigma\) のわずかに偏りのある推定量となります。ただし、一致性は保持されます。
5. 第3モーメント：標本歪度（わいど）
歪度は、平均の周りにおける確率分布の非対称性の度合いを測定します。
標本歪度の推定量は次のように計算されます：
\( \hat{S} = \frac{\frac{1}{n} \sum_{i=1}^{n} (X_i - \bar{X})^3}{s^3} \)
正の歪度（右に歪んだ分布、\(\hat{S} > 0\)）： 裾が右側に長く伸びています。通常、平均値は中央値よりも大きくなります。
負の歪度（左に歪んだ分布、\(\hat{S} < 0\)）： 裾が左側に長く伸びています。頻繁な小さな利益が、稀に起こる壊滅的な下落損失によって相殺される特徴があります。リスク管理者は、特にリターンの負の歪度を強く懸念します。
歪度ゼロ（\(\hat{S} = 0\)）： 左右対称の分布（標準正規分布など）。
6. 第4モーメント：標本尖度（せんど）
尖度は、正規分布と比較した裾の厚みや、極端な外れ値を生成しやすい傾向を測定します。
標本尖度の推定量は次のように計算されます：
\( \hat{K} = \frac{\frac{1}{n} \sum_{i=1}^{n} (X_i - \bar{X})^4}{s^4} \)
超過尖度（Excess Kurtosis）は、正規分布（尖度が3）を基準として測定値をゼロ中心に調整したものです：
\( \text{超過尖度} = \hat{K} - 3 \)
急峻（Leptokurtic、\(\hat{K} > 3\)、超過尖度 > 0）： 厚い裾と鋭いピーク。金融資産のリターンは通常、急峻性を示します。これは、正規分布が予測するよりも市場の大暴落がはるかに頻繁に起こることを意味します。
中間（Mesokurtic、\(\hat{K} = 3\)、超過尖度 = 0）： 正規分布と同様の裾の挙動。
緩慢（Platykurtic、\(\hat{K} < 3\)、超過尖度 < 0）： 薄い裾と、極端な外れ値の低い発生確率。
7. 標本分位数
標本分位数は、整列された標本観測値を特定の割合に分割します。サイズ \(n\) の標本データが \(X_{(1)} \le X_{(2)} \le \dots \le X_{(n)}\) と並べ替えられている場合、第 \(p\) 分位数 \(q_p\)（ここで \(0 < p < 1\)）は、観測値の割合 \(p\) がその値を下回る境界値となります。
中央値（0.50分位数）： 分布を2つの等しい半分に分割します。標本平均と比較して極端な外れ値に対して頑健（ロバスト）です。
四分位数： 第1四分位数（\(Q_1\)、25パーセンタイル）、第2四分位数（\(Q_2\)、50パーセンタイル）、第3四分位数（\(Q_3\)、75パーセンタイル）。四分位範囲（IQR）は \(IQR = Q_3 - Q_1\) です。
バリュー・アット・リスク（VaR）： 金融リスク管理において、信頼水準 \(1 - \alpha\) におけるVaRは、ポートフォリオのリターンの下位 \(\alpha\) 分位数を用いて直接推定されます。
8. クロスモーメント：共歪度（コスクューネス）と共尖度（コカートシス）
複数のリスク要因や資産を同時に分析する場合、クロスモーメントは線形な共分散を超えた非線形な共同テール依存関係を記述します：
共歪度（Coskewness）： ある資産の分散が別の資産のリターンとどのように関連しているか、あるいは結合極値がどのように歪んでいるかを測定します。具体的には、\(S(X, X, Y) = \frac{E[(X - \mu_X)^2(Y - \mu_Y)]}{\sigma_X^2 \sigma_Y}\) と表されます。市場リターンとの負の共歪度は、市場全体が大幅に下落するときに、その資産のボラティリティが高くなる傾向があることを意味します。
共尖度（Cokurtosis）： 資産間における共同での裾の厚みや、極端なイベントが同時に発生する可能性を測定します：\(K(X, X, Y, Y) = \frac{E[(X - \mu_X)^2(Y - \mu_Y)^2]}{\sigma_X^2 \sigma_Y^2}\)。高い共尖度は、ある資産の極端なボラティリティが別の資産の極端なボラティリティと同時に発生することを示し、金融危機時における分散投資の効果を低下させます。
復習用まとめテーブル
第1モーメント：平均 \(\to\) 中心位置；不偏、一致、最良線形不偏推定量（BLUE）。
第2モーメント：分散・標準偏差 \(\to\) 散らばり具合；\(n-1\) の自由度を使用。
第3モーメント：歪度 \(\to\) 非対称性；負の歪度は下落・クラッシュのリスクを示す。
第4モーメント：尖度 \(\to\) 裾の厚み；超過尖度 > 0 は厚い裾を示す。
分位数 \(\to\) 順序統計量およびバリュー・アット・リスク（VaR）の境界値。
共歪度・共尖度 \(\to\) 資産間における結合非対称性および同時の極端なテールリスク。