原文タイトル：明日からゼロからクォンツになる方法

原著者：gemchanger、coldvision Founder

翻訳・注釈：MrRyanChi、insiders.bot

2026年、量子取引はすべてのトレーダーの基本的スキルとなります

先週、私は香港大学AI＆マネジメント協会（@camo_hku）の招待を受け、エージェント時代のマネーメイキング手法について共有しました。そのイベント全体で最も大きな学びだったことは、次のとおりです：

AI時代 = テクノロジーの民主化時代

かつて量子取引はわずかな機関の特権でした。今では、数多くのスタジオや個人が量子戦略の開発に参加し、継続的な収益を得ています。言い換えれば、もし量子の本質を理解していない場合、市場で大きな不利益を被ることになります。

OpenClawが繁栄する今日、誰もが量子でお金を稼ぐことができます。しかし、そのためには2つの前提条件が必要です。

第一に、インフラストラクチャが必要です。これは、@insidersdotbotにおいて、エージェントとアルゴリズムにネイティブな取引プラットフォーム、データベース、およびスキルを提供することに取り組んでいます。公式版でのエージェントに基づくバックテスト機能も、このエコシステムの一部となります。

第二に、個人にとって最も重要なのは、アーキテクチャ能力と戦略設計能力です。戦略は100%正確である必要はありませんが、独自性があり、緻密であり、他の人が気づかない大きなチャンスをつかむ能力が必要です。

独自の戦略とすごいインフラを持っていれば、Vibe Codingの力を加えることで、財務の自立が目前に迫ります。

そして、戦略と設計の学習に関しては、@gemchange_ltdのこの原文は、私が今まで見た中で最も包括的な「量子取引知識マップ」です。市場の予測を軸に、トップクォンツ（量子トレーダー／Quant）になるために必要なすべてのピースを、正しい学習順序で一度に明確に説明しています。

読了後、初心者であっても量化取引の始め方、そして自分だけのストラテジーを設計する方法を理解できると思います。

もし市場予測トレーダーであるなら、これは必読の記事です。

他の資産トレーダーである場合、この記事の多くの考え方は一般的であり、多くの価値があると信じています。

オリジナルの記事は非常に専門的で学術的です。Polymarketに初めて触れるユーザーであっても、または数学の背景が全くないユーザーであっても理解できるよう、大幅な改変と補足を行いました。複雑な数学に無知であると仮定し、20枚の全ての説明が中国語の図を追加し、最もストレートな言葉、身近なアナロジー、現実の例を使用して、各概念を解説しました。

予測市場でギャンブラーではなく、長期的な利益を得ることを望む場合、この記事はスタート地点となります。

ちなみに、この記事はエージェントに最適化された構造になっています。Insiders.botプラットフォームが人間とAIトレーダーの両方を最適化しているように。ですので、この記事をOpenClaw、Manus、Claude、またはどのAIにでも提供して、すぐに量化モデルの構築を開始してください。

序文: トレードしていますか、それともギャンブルしていますか？

最初に、あなたに質問です。

Polymarketで「トランプが大統領選に勝つ」という契約が$0.52のYES価格で見つかりました。彼の勝利の確率が高いと考え、そのため$520で1000株のYESを購入しました。

あなたは取引をしていると考えていますが、実際には単なるギャンブルです。 なぜなら、あなたはこれらの質問に答えていないからです：

* あなたの52%はどのようにして算出されましたか？

* あなたの情報源は他の市場参加者よりも優れていますか？

* もし明日ニュースが出た場合、あなたの確率見積りはどのように更新すべきですか？

* 「もしも間違えた場合でも破産しないよう」に、どれだけのポジションを買うべきですか？

これらの質問には、「感覚」だけでは回答できないのです。数学が必要です。

2025年、トップ量子会社（Jane Street、Citadel、HRT）の新人向けトレーダーの年収は、30万ドルから50万ドルの間です。金融AIおよび機械学習の分野の採用は、前年比で88%増加しました。これは、これらの企業が数学者が好きだからではなく、数学が本当により正確な評価モデルを通じて利益を上げるからです。

そして、Polymarketは、すべての量子金融の中核的概念を完璧に融合した取引市場です：確率論、情報理論、凸最適化、整数計画、すべてが活用されています。

第1章：確率、不確かな世界の唯一の言語

量子取引についてほとんどの人が誤解している大きなこと。彼らは、量子取引が「株の選択」であり、特定のイベントについて独自の洞察を持っていると考えています。

実際にはそうではありません。

量子取引の本質 = 純粋な数学。

具体的には、次のものを探しています：

* 統計的相関

* プライシングの非効率性

* 構造的優位。

これらの利点が存在する理由は、市場が人間からなる複雑なシステムであり、人間は常にシステム的なエラーを犯すという事実からです。

量化金融の世界では、すべての問題を最終的に1つの問題に単純化できます：オッズは何であり、このオッズが私にとってどれだけの利点をもたらすか？

したがって、まず最初に、「確率」の本質を深く理解する必要があります。

条件付き思考：絶対的な正誤を捨てる

一般の人々は問題を考える際、絶対的な正誤を好みます。何かは起こるか、起こらないか。

しかし、トレーダーの考え方は条件付きです。

彼らは尋ねます：特定の情報が既知の状況下で、このことが発生する可能性はどれくらいですか？

「特定の情報が既知の場合の確率」は、条件付き確率です。

簡単に言えば：新しい手がかりを得たら、元の確率はどのように変わりますか？

少しややこしいですか？ 実際の Polymarket の例を見てみましょう。

「あるトークンの今日の価格が上昇するかどうか」という取引をしていると仮定します。 過去のデータによると、このトークンは毎日価格が上昇する確率が60％です。 これがベースレートです。 しかし、もし今日そのトークンの取引量が過去の平均を超えている場合、価格が上昇する確率は75％になります。

その75％の条件付き確率こそが本当の「シグナル」です。 一方、単独の60％は、ノイズに満ちた背景データに過ぎません。

もう少し直感的な例を挙げましょう。 雨が降る確率は30％です。 しかし、もし空にすでに厚い雲が広がっている場合、雨が降る確率は85％になるかもしれません。 「厚い雲」はあなたの条件付き情報であり、それにより30％から85％へと確率推定が変化します。 これが条件付き確率の本質です。

ベイズの定理：信念をリアルタイムに更新する方法

ベイズの定理は量子取引の魂です。 答える問いは次のとおりです：新しいデータを取得した場合、元々の信念をどのように更新すべきですか？

その公式は次のようになります：

P(A|B) = P(A∩B) / P(B)

* P(A|B)：Bが起こった場合のAの確率

* P(A∩B)：AとBが同時に起こる確率

* P(B)：Bが起こる確率

ベイズの定理の論理は次のとおりです：

* 最初に推定を行います（例：この出来事が50％の確率で発生すると感じています）。

* 突然、新しい証拠が得られます（例：ポジティブなニュースが投稿されました）。

* 自問します：この出来事が本当に発生した場合、このニュースが投稿される可能性は何％ですか？この出来事が実際に発生しない場合、このニュースが投稿される可能性は何％ですか？

* これらの質問の答えに基づいて、推定を調整します（例：50％から58％に引き上げます）。

私たちは Polymarket のシナリオを使って理解します。

あなたのモデルは、あるイベントの適正価格が $0.50 であるべきだと計算しています（つまり、その出来事が起こる確率が 50% だと考えています）。これがあなたの事前信念です。

突然、突発的なニュースが飛び込んできました。経済データが予想を上回る 3% の良い結果でした。

ベイズの定理を使うことで、あなたの新しい信念を正確に計算することができます。計算結果が 58% だと仮定します。その場合、あなたの新たな適正価格は $0.58 になります。

市場では、この種の確率更新を最も速く、正確に行える人が大部分の利益を得ることができます。これはなぜ量子化（Quant）チームが数百万ドルを投じて低遅延システムを構築するかの理由です。それは速いことが好きだからではなく、0.1 秒でも速くなると数万ドルもの追加収益が得られるからです。

基礎を固めたければ、ハーバード大学の無料の《Introduction to Probability》（確率論入門）を読んでみてください。最初の 6 章で十分です。その後、Python を使ってコードを書いて、10,000 回コイントスをシミュレーションして、大数の法則がどのように機能するか自分で目で確かめてください。

期待値と分散：あなたの最良の友達

取引において、何よりも重要なのは 2 つの数字です。

期待値（Expected Value, EV）は、あなたの信念です。

取引の期待値が正である場合、何度も繰り返す限り、長期的には必ず利益を上げることになります。

分散（Variance）は、あなたのリスクです。

これは、利益を上げるための「長期」までの道のりで、どれだけの波風を経験するかを教えてくれます。

例を挙げましょう。1 取引あたりの期待収益が $2 である戦略があるとしますが、標準偏差は $50 です。これは、「平均」して各取引で $2 を稼ぐという意味ですが、1 取引の結果は、$100 の損失から $100 の利益まで激しく揺れ動する可能性があります。元本が $200 しかない場合、あなたは「長期」が到来する前に既に 3 回の大損失で退場してしまうかもしれません。

ケリーの公式：賭け金の科学的決定

期待値と分散が分かったら、良い機会に対処する際にどれだけ買えばいいのでしょうか？オールインしますか？

絶対にやってはいけません。ここで私たちが導入する必要があるのは、ケリー基準です。

ケリー基準は、あなたに教えるために特別に設計されています：与えられた勝率とオッズの下で、あなたがいくらの資金を賭けるべきか、あなたのお金を一番速く雪だるま式に増やし、同時に破産しないようにするためのパーセンテージを示します。

もしそれが20%だと算出された場合、それはあなたが賭けに使える総資金の20%だけを使用できることを意味します。

実際の取引では、勝率の推定にはしばしば誤差があるため（あなたが60％の勝率を持っていると思っているが、実際には55％かもしれません）、トップの賭け手は通常、「ハーフケリー」（Half Kelly）を使用します。つまり、ケリー基準の計算結果の半分だけを賭ける。これにより、資金の急激な上下動が大幅に減少し、同時にほとんどの資金を獲得速度に保持します。

Chapter 1 Exercises (2 hours per day, approximately 3-4 weeks):

1. Reading: Read "Introduction to Probability" by Blitzstein & Hwang (Harvard offers a free PDF version, link: http://probabilitybook.net[[1」(https://stat110.hsites.harvard.edu/))

2. Programming Exercise 1: Simulate 10,000 coin flips to visually verify the "Law of Large Numbers."

3. Programming Exercise 2: Implement a Bayesian updater: Input prior probability and likelihood function, output posterior probability.

Chapter 2: Statistics = Your Noise Detector

Once you've learned the language of probability, the next step is to learn to "listen to data."

This is statistics.

The first lesson that statistics teaches us is: the vast majority of things that look like "signals" are actually noise.

Hypothesis Testing and the Pitfalls of Multiple Comparisons

Suppose you've created a trading bot, and backtesting data shows it earns 15% annually. Is this true, or just lucky?

この時、あなたは p 値（p-value） を計算する必要があります：もしもこのストラテジーが実際にはジャンク（ただの運に頼るもの）だったとしたら、15% のリターンをたまたま達成する確率はどれくらいですか？ 統計学はこの確率がどれほど小さいかを教えてくれます（たとえば 5% 未満）。

しかし、ここには「多重比較問題（Multiple Comparisons Problem）」と呼ばれる大きな罠があります。

1,000匹のサルにそれぞれ100回ダーツを投げさせると想像してみてください。純粋に運だけで、いくつかのサルは連続して的を命中させることができ、まるで「ダーツの達人」のように見えます。しかし、だからと言って投資家として彼らを雇うことはないでしょうね？

トレーディングストラテジーを書くことも同じです。コンピューターが自動生成した1,000個の無作為なストラテジーで歴史データを実行した場合、純粋に運の結果、約50個のストラテジーが大きな利益を上げているように見えるかもしれません。

新人トレーダーたちはみな、自分が見つけた「有効なストラテジー」を大幅に過大評価します。私は責任を持って言えますが、あなたが書いた最初の10のストラテジーは、明らかに運が良かったサルのいずれかです。

解決策は何でしょうか？ あなたはボンフェローニ補正（Bonferroni correction）を使用して有意水準を引き上げる必要があります、または誤検出率（FDR）制御を使用します。つまり、100個のストラテジーをテストした場合、あなたの有意水準は0.05ではなく、0.05/100 = 0.0005 となります。これにより、運による偽のシグナルを取り除くことができます。

回帰分析：あなたのリターンの源泉を分解する

線形回帰は金融業界の主要ツールです。量化トレーディングでは、あなたのストラテジーのリターンを、市場全体の上昇や下落と比較します。

ここでの定数項 α（アルファ）は、あなたの超過リターンです。これは、市場の動きだけでは説明できない、純粋にあなた個人のテクニックで得られたお金です。

例を挙げます。あなたのストラテジーが今年20% のリターンを上げたとします。しかし、市場全体が目をつぶって買えば18% 上昇する場合、あなたのテクニックスコア（Alpha）は実際には2% です。

もっと悲惨なのは、あなたのストラテジーが単に「追い風に乗り遅れ」という場合で、市場全体の変動を除いた後、あなたのアルファはゼロまたはマイナスになる可能性があります。これは、あなたのいわゆる「トレードの優位性」が、ただの流れに乗ったものに過ぎないことを示しています。

金融データにおいて、特に注意すべき問題がもう1つあります：データ間には自己相関（今日の価格は昨日と関連がある）と非定数分散性（ボラティリティが一定でない）がよく存在します。そのため、回帰結果を修正するためには、Newey-West 標準誤差を使用する必要があります。そうしないと、統計的検定結果があまりに楽観的となります。

最尤推定（MLE）：逆推論の芸術

トップ機関の量的トレーダーがモデルを「キャリブレーション」していると言うとき、ほとんど常に指しているのは1つだけです：最尤推定（MLE）。

MLE の原理は非常に理解しやすく、それはまさに一種の「逆推論」です。

例を挙げましょう。道端で直径 2 メートルの水たまりを見つけました。昨夜の雨量を知りたいとします。ある「降雨モデル」が異なる降雨量がどのような水たまりを作り出すかを教えてくれます。

MLE が行うことは逆に推論することです：2 メートルの水たまりを既に見つけているので、すべての可能な降雨量の中で、どの降雨量がこのほど大きな水たまりをもっとも可能性が高いのかを見つけることです。

ボラティリティに GARCH モデルを適合させるか、市場の引用に基づいてオプション価格をキャリブレーションするか、MLE は中核的なツールです。

取引においても同様です。市場のオプション価格（水たまり）を見つけ、将来のボラティリティ予測（降雨量）を逆算したいとします。MLE は、現在の価格を最も説明できる隠れたパラメータを見つけるのを助けてくれます。

応用例として、いくつかの実際の資産価格データ（たとえば Python の yfinance ライブラリを使用して）をダウンロードしてみてください。それらが正規分布に従っているかテストしてみてください。

ネタバレ：全く従っていません。現実世界はファットテール効果（Fat Tails）で満ちており、正規分布の予測よりも極端な事象が発生する頻度がはるかに高いです。 t-分布を適合するためにMLE を使用し、実際のリスクがどのようなものかを見てみてください。

第 2 章の宿題（約 4-5 週間で完成予定）：

1. 研究：Wasserman の『All of Statistics（統計学精要）』の第 1 章から第 13 章までを読んでください。（CMU オープン PDF 版：https://www.stat.cmu.edu/~brian/valerie/617-2022/0%20-%20books/2004%20-%20wasserman%20-%20all%20of%20statistics.pdf）

2. プログラミング演習 1： yfinance を使用して実際の株式収益データをダウンロードし、その正規性を検定します（ヒント：おそらく棄却される可能性が高く、収益率は正規分布に従わないことを示しています）。その後、最尤推定法（MLE）を使用して t 分布を適合し、両者の違いを比較します。

3. プログラミング演習 2： statsmodels ライブラリを使用して、株式ポートフォリオに Fama-French 3要素回帰を実行します。

4. プログラミング演習 3： 置換検定（Permutation Test）を実装します：日付をランダムに10,000回入れ替えて、入れ替え後のパフォーマンスと実際のパフォーマンスの違いを比較します。

第三章：線形代数、量子化世界の基礎エンジン

多くの人々が線形代数をつまらないと感じていますが、それは単なる行列演算の集まりだけではありません。実際には、これは量子化された世界全体を実行する機構なのです。投資ポートフォリオの構築、主成分分析（PCA）、ニューラルネットワーク、共分散推定、ファクターモデル、すべてがそれに依存しています。

さらに、ある江湖の噂によると、30%の利回り、バフェットを本気で打ち負かすメガファンドは、線形代数に基づいたマルコフモデルを基礎としています。

行列を使って考えることができない場合、あなたは絶対にクアントになることはできません。

共分散行列：資産の相互関係の理解

共分散行列 Σ（シグマ）は、各資産が他のすべての資産に対してどのように移動するかを捉えています。

500の市場を見ている場合、この行列は500×500のサイズであり、125,250個のユニークなエントリを含んでいます。各エントリは、あなたに次のように伝えます。「資産Aが上昇するとき、資産Bは上昇する傾向があるか、下落する傾向があるか、上昇または下落の幅はどれくらいですか。」

そして、全ポートフォリオの分散は、非常にエレガントな数学的表現に折りたたまれます：

σ²_p = w^T Σ w

* w はあなたの保有ウェイトベクトル

* Σ は共分散行列

この二次形式の式は、マーコウィッツ（Markowitz）の投資ポートフォリオ理論の中心であり、リスク管理の中心であり、すべての中心です。

言い換えると、あなたが関連する複数の市場で取引を行っている場合（例：「トランプが選挙に勝利する」および「共和党が上院を制する」）、あなたの総リスクは単純に各市場のリスクを合算するだけではありません。それらの相関関係を考慮する必要があります。そして、共分散行列は、そのような作業を支援するツールです。

固有値分解と PCA: 隠れたドライバーを見つける

固有値分解（Eigendecomposition）を使用して主成分分析（PCA）を初めて行うと、世界を見る視点が変わります。

PCAを説明するために次の比喩を使用できます：ある人物の体型を記述する場合、身長、体重、腕の長さ、脚の長さ、肩幅などを記録できます。しかし、これらのデータの多くは実際には関連しています（背の高い人は通常、脚も長い）。PCAの役割は、これら数十の複雑なデータを、いくつかの中心的な「隠れたラベル」に凝縮することです。たとえば、「全体の体積サイズ」と「太り具合」などです。

金融市場でも同様です。500のトークンの価格変動を観察すると、たった5つの「隠れたラベル」（固有ベクトル）だけで、市場全体の70%の変動が説明できます。残りのすべてはほぼノイズです。

500の各トークンが何をしているかを理解する必要はありません。あなたが理解する必要があるのは、これら5つの「隠れたドライバー」（例：全体的な市場の感情、利子率の変化、特定のトレンドの人気など）です。これが次元削減の魔法です。

時間がある場合は、MITのGilbert Strang教授の線形代数の公開講座を見ることをお勧めします。その後、Pythonを使用してS&P 500のリターン率をPCA分解し、最初の主成分が何であるかを視覚的に確認してください。

その結果、最初の主成分はほぼ「市場全体の価格変動」と同等であることがわかります。

第3章の宿題（約4-6週間で完了）：

1. 動画視聴： MIT 18.06の線形代数のすべての講義動画をご覧ください。一つも欠かさずに。（MIT OpenCourseWare 無料視聴：https://ocw.mit.edu/courses/18-06-linear-algebra-spring-2010/video_galleries/video-lectures/）

2. Reading: Read Strang's "Introduction to Linear Algebra" and complete the exercises in the book. (Textbook website: https://math.mit.edu/~gs/linearalgebra/)

3. Programming Exercise 1: Perform PCA (Principal Component Analysis) on the S&P 500's return data, plot the eigenvalue spectrum (i.e., how much variance each principal component explains), and identify the top 3 most important principal components.

4. Programming Exercise 2: Implement Markowitz Mean-Variance Optimization from scratch.

Chapter 4: Calculus and Optimization, The Language of Change

Calculus is the language of "change." In the financial markets, everything is constantly changing: prices, volatility, correlations, the entire probability distribution shifts in seconds.

Calculus is used to describe and leverage these changes.

Derivatives and Taylor Expansion: Simplifying Complexity through Approximation

Derivatives appear in every neural network backpropagation and in the computation of every option's "Greeks."

In quantitative trading, we often use Taylor expansion for approximation calculations. Fundamentally, derivatives provide the necessary input for Taylor expansion.

The essence of Taylor expansion is to approximate any complex function by tweaking a polynomial, thus modeling the relationship between x (a key factor) and y (asset price).

Imagine you need to draw a very complex curved line, but you only have a ruler. What do you do?

First, you use a straight line to approximate a point on the curve (this is called a first-order approximation, known as Delta in options). Near this point, the line is similar to the curve.

Second, if you want a better approximation, you can slightly bend the line to form a parabola (this is a second-order approximation, referred to as Gamma in options).

The more you bend, the closer your drawn line will resemble that complex curve.

取引の際、オプションの価格変動は非常に複雑な式です。私たちはそれを計算できないため、テイラー展開を使用して、いくつかの単純な部分に分解します：

価格の方向への影響（デルタ）+ 価格の変動率への影響（ガンマ）+ 時間経過への影響（シータ）+ ボラティリティの変化への影響（ベガ）。

凸最適化：最適解の探索

量子ファイナンスでは、ほぼすべての「最適化」問題は凸最適化（Convex Optimization）問題として表現できます。例えば、リスク予算が与えられた場合、どのように資金を配分すればリターンを最大化できるでしょうか？

目を覆われ、谷底（最適解）に歩むよう求められる山谷にいると想像してください。

* もし山谷がでこぼこしている場合、あるいは山谷の半ばに取り残されてしまう（局所最適）可能性があります。

* しかし、もし「お椀」のような完璧な山谷であれば、ただ坂を下る方向に進むだけです（勾配降下）。目を閉じていても、必ず底の唯一の最低点に到達します（グローバル最適解）。

金融の問題を「お椀」状の数学的な式に変換できる限り、コンピューターは瞬時に最適な解を見つけてくれます。それが凸最適化が行うことです。原著者は、スタンフォード大学のBoydとVandenbergheが無料の教科書「Convex Optimization」を執筆し、これがこの分野のバイブルだと述べています。Pythonのcvxpyライブラリを使用すれば、わずか数行のコードで複雑な最適化問題を解決できます。

ここで、Andrew NgのAIコースをオススメし、最初のいくつかのレッスンで勾配降下法や局所最適/グローバル最適について触れます。凸最適化の必要性をより良く理解できるでしょう。リンク：https://www.youtube.com/watch?v=JPcx9qHzzgk

第4章の課題（約4-5週間で完了）：

1. 読書：Boyd & Vandenbergheの「Convex Optimization」の第1章から第5章までをお読みください。（スタンフォードは無料のPDFバージョンを提供しています：https://web.stanford.edu/~boyd/cvxbook/bv_cvxbook.pdf、書籍のホームページ：https://stanford.edu/~boyd/cvxbook/）

2. プログラミング演習 1：ゼロから勾配降下法アルゴリズムを実装し、それを使用して Rosenbrock 関数の最小値を求めます。（Rosenbrock 関数は、最も古典的なテスト関数の1つであり、単純に見えますが実際には最適化が非常に難しく、アルゴリズムのパフォーマンスを非常に試すものです。）

3. プログラミング演習 2：cvxpy を使用して投資ポートフォリオ最適化問題を解決し、取引コスト制約を追加します。

第五章：確率微分、データサイエンティストから真のQuantへの変容

確率微分を学ぶ前は、単なる「金融が好きなデータサイエンティスト」でした。しかし学んでから、本当のQuantになります。

これは、連続時間におけるランダム性をモデル化する方法を学ぶ場所です。ここでは、第一原理から有名なBlack-Scholes方程式を導き出し、なぜ数兆ドル価値のデリバティブ市場が現在のように機能しているのかを実際に理解します。

*注 5.1：Black-Scholes方程式およびその意味をよりよく理解するには、前の記事「Polymarket做市聖書」を参照してください。リンク：https://x.com/MrRyanChi/status/2033466480067747844

*注 5.2：なぜ確率微分（Itô calculus）は通常の微分と異なるのですか？時間的な不確実性があるプロセスでは、2次テイラー項が消えないためです。通常の微積分では、時間間隔がゼロに近づくと、2次項は無視できます。しかし、確率的プロセスでは、ブラウン運動の特別な性質により、(dW)² = dt となり、2次項は1次のオーダーに変化しますので無視できません。詳細は以下を参照してください。

ブラウン運動：数学的表現における純粋なランダム性

ブラウン運動（Wiener過程、W_t）は、連続時間のランダムウォークです。

酔っ払いが広場を歩くと想像してください。彼が一歩踏み出すたびに、方向は完全にランダムです。彼が歩いた歪み、規則性のない軌跡がブラウン運動です。株価の変動は、数学的にはこの酔っ払いの足取りと見なされます。

ブラウン運動の例は他にもたくさんあります。例えば、科学的には、空気中の粒子の運動もランダムなブラウン運動です。

全てを決定する重要な洞察があります：ブラウン運動では、時間の経過と距離の二乗が等価である（すなわち、(dW)² = dt）。この特性があるため、確率微分は通常の微分と異なるのです。

イートウの補題：ランダムな世界の連鎖律

株価は通常、幾何ブラウン運動（GBM）でモデル化されます：

dS_t = μS_t dt + σS_t dW_t

翻訳：価格の変化 = 期待収益率によるトレンド + ボラティリティによるランダムな揺れ

そして、イートウの補題（Itô's Lemma）は、ランダムな世界の連鎖律です。

* 通常の微分積分学では（例えば、安定した速度で走る車の軌跡を計算する場合）、速度（1次導関数）のみ考慮すればよいです。

* しかし、ランダム微分積分学では（例えば、激しく揺れる悪路を走る車の軌跡を計算する場合）、路面そのものの激しい揺れ（ボラティリティ）があまりにも激しいため、この揺れは実質的に車の軌跡を大きく変えます。

ですので、イートウの補題は、計算する際に方向（1次項）だけでなく、「揺れの程度」（2次項）も公式に加えなければならないことを教えてくれます。これを加えないと、算出される価格は間違ってしまいます。

ブラック-ショールズとリスクニュートラルな価格設定

イートウの補題をオプション価格に適用し、ヘッジングポートフォリオを構築すると、奇跡が起こります。

導かれたブラック-ショールズ方程式では、オプション価格に影響を与える「期待される上昇または下降」を示す変数が、なんと相殺されて公式から消えてしまいます！

これは何を意味するのでしょうか？オプション価格は、株価の将来の上昇または下降に関する予想に全く依存していないことを意味します。

つまり、たとえばコールオプションを購入する場合を考えてみましょう。オプション価格が高い理由は、多くの人が上昇を予想しているからだと思うかもしれません。しかし違います！完璧な数学モデルの下では、オプション価格はただ一つの要因にのみ依存します：株価の将来の揺れの激しさです。その株価が激しく上昇するか、激しく下落するかは、全く重要ではありません。

この概念を本当に理解すると、衝撃的な感覚に襲われます。これにより、極端に上昇視点のトレーダーと極端に下降視点のトレーダーが、同じオプション価格で取引を成立させることができる理由が説明されます。彼らが取引しているのは方向ではなく、ボラティリティなのです。

ギリシャ文字（The Greeks）：リスクの分解

Black-Scholes の定価モデルにより、リスクは正確に複数の独立した次元に分解されます。これらの次元はギリシャ文字で名前が付けられ、そのために Greeks と呼ばれます：

* デルタ（Δ） - 価格感度： 基礎資産が $1 変動したときに、オプション価格がどれだけ変化するか。これはリスクヘッジのためにどれだけ現物を買う必要があるかを直接教えてくれます。

* ガンマ（Γ） - 曲がり度： デルタの変化速度。リスクヘッジポジションをどれくらい頻繁に調整する必要があるかを教えてくれます。事象の確率が 50% に近づくと、ガンマが最大となり、リスクも最大となります。

* シータ（Θ） - 時間経過： 1 日経過するごとに、オプションがどれだけ価値を失うか。これはオプションを保有するたびに支払う必要がある「家賃」と考えることができます。

* ベガ（V） - ボラティリティ感度： ボラティリティが 1% 変化したときに、オプション価格がどれだけ変化するか。これはほとんどのウォール街派生商品取引所が本当に利益を上げる（または損失を被る）場所です。

* ロー（ρ） - 金利感度： 金利の変化が価格に与える影響。通常、影響は小さく、無視できます。

第五章の宿題（約 6-8 週間で完了）：

1. 読書：Shreve の『Stochastic Calculus for Finance II（金融の確率論 II：連続時間モデル）』を読んでください。これはこの分野で公認の金字塔教科書です。（PDF バージョン：https://cms.dm.uba.ar/academico/materias/2docuat2016/analisis_cuantitativo_en_finanzas/Steve_ShreveStochastic_Calculus_for_Finane_II.pdf）

2. 代替教材：Shreve が難しすぎると感じる場合は、Arguin の『A First Course in Stochastic Calculus（確率微分積分の入門書）』を読んでみてください。この本は更新されており、より読みやすくなっています。（AMS 公式ページ：https://bookstore.ams.org/amstext-53/）

3. 導出練習 1：f(S) = ln(S) に Ito の補題を適用し、S が幾何ブラウン運動（GBM）に従う場合、その重要な修正項 -σ²/2 を導出します。（この修正項は対数収益と連続複利の関係を理解するための要点です。）

4. 導出練習 2：デルタヘッジングから出発し、Black-Scholes 偏微分方程式を完全に導出します。

6. プログラミング練習：ゼロからBlack-Scholesの式を実装し、モンテカルロシミュレーションを使用して価格付けし、両者の結果を比較し、モンテカルロが解析解に収束することを確認します。

第六章：Polymarket と LMSR、予測市場の数学エンジン

さて、すべての数学的武器を取り戻して、現在最も興味深い取引市場、Polymarket に戻りましょう。

Polymarket の背後にある数学は、この記事で触れられているすべての要素、確率論、情報理論、凸最適化、整数計画を完璧に結び付けています。

LMSR = ニューラルネットワークのSoftmax

初期の予測市場では、自動メーカー（AMM）は通常、LMSR（対数市場得点規則）として知られるメカニズムを使用していました。これは経済学者である Robin Hanson によって発明されました。

そのコスト関数は：C(q) = b · ln(Σ e^(q_i/b)) ただし：

* q_i は特定の結果の未処理シェアです

* b は流動性パラメータです（b が大きいほど、市場が「厚い」、価格が大口注文で動かされにくくなります）。

このコスト関数に基づいて、任意の結果 i のブックメーカー価格を計算できます：

p_i = e^(q_i/b) / Σ_j e^(q_j/b)

機械学習に少し詳しい人は、LMSRの価格計算式を見た瞬間、「これはまさにSoftmax関数では？」と驚くでしょう！

Softmax とは何ですか？ 3つのリンゴがあり、それぞれの重さが100g、50g、20gだとします。これらの重さを「パーセント確率」に変換したいとします。Softmax は「確率変換器」です。これは、これらの数字を合計して100％になる確率に変換するだけでなく、差異を拡大します。少し重いリンゴは、はるかに大きな確率シェアを得るでしょう。

市場価格予測を駆動する公式と、各人工知能（例: ChatGPT）が次の単語を予測する公式は、数学的に完全に等価です。これは偶然ではありません。両者の基本的なロジックは同じです：一連の乱雑な数字を、優雅に合法的な確率分布に変換します。

この機構により、いくつかの非常に優れた特性が保証されます。

* すべての可能な結果の価格の合計は常に1になり、確率の公理に完全に準拠しています。価格は常に0と1の間にあります。

* 無限の流動性を提供できます（いつでも誰かと取引ができます）。

* メイカーの最大の潜在的損失は、厳密にb×ln(n)以内に制限されます。ここで、n = 可能な結果の数です。

Polymarket のCLOBメカニズム：理論から実践へ

重要な点は、LMSRが予測市場AMMの古典的な理論的基盤である一方、現在のPolymarketはCLOB（中央限価注文簿）メカニズムを使用して進化しているということです。

詳細については、私の昨年10月のこの記事を参照してください：https://x.com/MrRyanChi/status/1977932511775760517

CLOBモードでは、価格はもはや固定の数学的公式によって強制的に計算されるのではなく、市場上の買い手と売り手によって完全に注文（BidsとAsks）によって形成される。これは従来の株式取引プラットフォームやBinanceの契約市場のようなものです。

なぜこれが重要なのでしょうか？ CLOBメカニズムでは、メイカーの役割が劇的に変化します。

LMSR（伝統的なAMM）とCLOB（Polymarket現在）の主な違い：

* 価格形成： LMSR は数学式によって自動的に計算されます；CLOB は買い手と売り手による注文によって形成されます。

* 流動性の源泉： LMSR はシステムの資金プールによって自動的に提供されます；CLOB は市場メーカーによって積極的に注文が提供されなければなりません。

* 市場メーカーの役割： LMSR では専門の市場メーカーは必要ありませんが、CLOB では市場メーカーが市場の中心となります。

* レート差の制御： LMSR の取引レート差はシステムのパラメータによって決定されます；CLOB の取引レート差は市場メーカー同士の内部競争によって決まります。

* ヘッジの要求： CLOB モードでは、市場メーカーは片側リスクに直面し、非常に複雑なクロスマーケットヘッジを行う必要があります。

より簡単に言えば、LMSR モードでは AMM が自動的に流動性を提供し、あなたはただ公式に従って取引を行うだけです。しかし、CLOB モードでは、流動性は完全に市場メーカーによって提供されます。あなたは合理的な確率を計算し（前述のベイズ更新と統計モデルを使用）、その確率を基に買い注文と売り注文を出して、取引レート差を稼ぎます。

Polymarket で確率を誤って計算したり、相関リスクを適切にヘッジしなかったりすると、あなたの注文はより賢い量子ファンドに即座に取られ、被害を受けることになります。

第七章：ハッカーの職業プロフィールとツールキット

この体系を職業にしたい場合、または独自の量子チームを結成したい場合は、この業界のエコシステムを理解する必要があります。

四大コアロール

* 量化リサーチャー（Quant Researcher）： ビッグデータの中からパターンを見つけ、予測モデルを構築する人。彼らは非常に高度な数学と統計の才能が必要です。Polymarket の文脈では、彼らは確率モデルを構築し、ある契約の「公正な価格」が実際にどれくらいかを判断します。

* 量化開発エンジニア（Quant Developer）： インフラストラクチャを構築する人。彼らは C++、Rust、または Python に精通し、低レイテンシの取引システムを構築します。Polymarket の文脈では、彼らは API と連携する取引エンジンを構築し、注文がミリ秒単位で提出および実行されることを確実にします。

* 量子取引者（Quant Trader）：資金を管理し、リスクを管理し、リアルタイムで意思決定を行う人。彼らの収入の分散度は最大です。Polymarket では、彼らは複数の市場で同時にメーキングを行い、価格差をリアルタイムで調整し、ポジションを調整する人々です。

* リスク量的アナリスト（Risk Quant）：チームの守護者。彼らはモデル検証、最大損失の極端事例（VaR）の計算、ストレステストに責任を持ちます。

トップ機関の給与水準

* トップ企業（Jane Street、Citadel、HRTなど）：エントリーレベルの新人の年収は30万ドルから50万ドル以上です。シニア従業員の年収は100万ドルから300万ドル以上です。トップの取引者は300万ドルから3000万ドル以上を稼ぐことができます。

* ミッドトップ企業（Two Sigma、DE Shawなど）：新人の年収は25万ドルから35万ドル。シニア従業員は57.5万ドルから120万ドルです。

*注意：2025年上半期、Jane Streetの平均従業員給与は年間140万ドルに達しました。

推奨読書リスト（学習順）

* 確率と統計 - Blitzstein & Hwang『Introduction to Probability』：条件付き確率、ベイズ、分布

* 上級統計学 - Wasserman『All of Statistics』：仮説検定、回帰、MLE

* 線形代数 - Strang『Introduction to Linear Algebra』：行列、固有値、PCA

* 最適化理論 - Boyd & Vandenberghe『Convex Optimization』：凸最適化の理論と実践

* 確率微分方程式 - Shreve『Stochastic Calculus for Finance II』：ブラウン運動、イットウの補題、BSモデル

* 量子ファイナンス - ハル『Option, Futures, and Other Derivatives』：派生品価格設定の全景

* 実践戦略 - アーネスト・チャン『Quantitative Trading』：バックテストから実取引への落とし穴ガイド

結語：早く知っておきたかった3つの教訓

記事の最後に、原著者が非常に深い洞察を共有しました。これは、Polymarket のすべてのトレーダーに贈りたいアドバイスでもあります。

1. 誤差の推定が本当の敵である

多くの人は、フルコリー法則を使用したり、制約のないマルコビッツ最適化を行ったり、数百の特徴で満たされた機械学習モデルを使用したりします。これらは最終的には同じ理由で失敗します：ノイズに満ちた過去のデータに対して過剰適合しているためです。

数学は、パラメータが完璧な場合には完璧です。しかし、現実では、決して完璧なパラメータを得ることはできません。理論と実践の間の溝は、常に推定誤差です。

トップトレーダーは、最も複雑なモデルを使用する人ではなく、誤差を恐れる人です。彼らは積極的にポジションサイズを縮小します（フルコリーではなくハーフコリーを使用）、モデルを単純化します（30個ではなく3つの主要特徴を使用）、制約条件を追加します。

2. ツールはすでに民主化されていますが、「確信度」はありません

今日、誰もが無料でPyTorchをダウンロードできます。誰もがPolymarketのAPIにアクセスできます。技術は必要条件ですが、もはや十分条件ではありません。

真の取引の優位性（Edge）は、独自のデータ、独自のモデル、または独自の実行能力に存在します。他の人よりも多くのPythonライブラリを持っているからといってではありません。

これは、@insidersdotbotのアップデートを1か月も遅らせた理由でもあり、独自のデータとモデルが本当にあなたをより多く稼がせたり、損失を獲得に転じさせたりできるためです。Polymarketでは、これはどういう意味ですか？

これは、他の人にはない情報源を見つける必要があることを意味します（例：ニッチな分野の専門家ネットワーク）、または他の人にはないモデルを構築することが必要です（例：複数の市場相関をリアルタイムで処理できる価格設定エンジン）、または他の人にはない実行力を持っていることが必要です（例：クロスマーケットヘッジを10ミリ秒で完了できる取引システム）。

3. 数学こそが真のモード

AI はコードを書くのを手伝ってくれますし、取引戦略を提案することさえできます。しかし、イエトーの補題になぜ余分な項目があるかを導出できる能力、リスク中立的測度下での割引価格がマルチンゲールであることを証明できる能力、プロフォリオ市場において凸緩和がいつ緊張しているかを判断できる能力。

このような深い数学的直感こそが、「創造的なエッジを持つドリトレーター」と「借りたエッジを持つドリトレーター」とを本質的に分ける境界線なのです。そして、借り受けたエッジは、遅かれ早かれ期限切れになります。

市場の予測は、1973年に伝統的なオプション市場が経験した変革を経ています。厳密な数学モデル、ボラティリティ価格設定、複雑なアービトラージのアルゴリズムを最初にこの市場に導入することができる人が、最大のリターンを得るでしょう。

直感に頼るのをやめましょう。確率を学び、コードを書き、数学のモードを構築しましょう。

完全なツールボックス

Python テックスタック

データ処理: pandas、polars（Pandasよりも10〜50倍処理が速い）

数値計算: numpy、scipy

機械学習（表形式データ向け）: xgboost、lightgbm、catboost

機械学習（ディープラーニング向け）: pytorch

最適化問題解決: cvxpy

デリバティブ価格設定: QuantLib（C++で書かれた産業レベルのライブラリで、非常に高速）

統計分析: statsmodels

バックテストフレームワーク: NautilusTrader

バックテストフレームワーク（より簡単で理解しやすい選択肢）: backtrader、vectorbt（初心者向け）

量子化研究プラットフォーム：Microsoft Qlib（GitHub で 17000 を超えるスターを獲得し、AI に特化）

強化学習取引：FinRL（GitHub で 10000 を超えるスターを獲得）

C++ と Rust

C++ の一般的なライブラリ：QuantLib、Eigen、Boost

Rust 関連：RustQuant はオプションプライシングに使用でき、NautilusTrader は Rust + Python のハイブリッドアーキテクチャを採用しています（速度を保証するために下層コアに Rust、研究を容易にするために上層に Python API を使用）。

データソース

無料：yfinance、Finnhub（1 分間に 60 回のリクエスト制限）、Alpha Vantage

中価格：Polygon.io（月額 199 ドル、遅延が 20 ミリ秒未満）、Tiingo

エンタープライズ：Bloomberg Terminal（約年 32000 ドル）、Refinitiv、FactSet

ブロックチェーンデータ：Alchemy（無料プランあり、過去のアーカイブデータアクセスをサポート）

さらに、@insidersdotbot が間もなく API をオープンソース化します。これには既製のスマートマネーデータベースと取引機能が含まれます。お楽しみに。

ソルバー

Gurobi：最速の商用混合整数プログラミングソルバーで、学生および学術ユーザーは無料ライセンスを申請できます。組合せアービトラージ問題では不可欠です。

Google OR-Tools：無料ソルバーの中で最強です。

PuLP / Pyomo：Python モデリングインターフェースで、さまざまなソルバーを簡単に定義および呼び出すために使用されます。

参考文献

[1] gemchanger. (2025). 明日からクォンツになる方法. X.

https://x.com/gemchange_ltd/status/2028904166895112617

[2] Blitzstein, J. K., & Hwang, J. (2014). 確率論入門. CRC Press.

https://projects.iq.harvard.edu/stat110

[3] Markowitz, H. (1952). ポートフォリオ選択. 金融学会誌.

[4] Strang, G. MIT 18.06 線形代数. MIT OpenCourseWare.

https://ocw.mit.edu/courses/18-06-linear-algebra-spring-2010/

[5] Boyd, S. & Vandenberghe, L. (2004). 凸最適化. ケンブリッジ大学出版局.

https://web.stanford.edu/~boyd/cvxbook/

[6] Hanson, R. (2003). モジュラー組み合わせ情報集約のための対数市場スコアリングルール.

[7] Polymarket ドキュメント. CLOB 概要＆API.

https://docs.polymarket.com/trading/overview

[8] Black, F., & Scholes, M. (1973). オプションと企業 passivation の価格設定. 政治経済学雑誌.

[9] Shreve, S. (2004). ファイナンスのための確率微分方程式 II: 連続時間モデル. Springer.

Original Link

BlockBeats の公式コミュニティに参加しよう：

Telegram 公式チャンネル：https://t.me/theblockbeats

Telegram 交流グループ：https://t.me/BlockBeats_App

Twitter 公式アカウント：https://twitter.com/BlockBeatsAsia