損益の非対称性：あなたの資金を殺す数学

なぜ50%の損失を回復するには100%の成長が必要なのか、ボラティリティドラッグがレンジ相場でもいかに資本を破壊するか、そしてリスク管理構築のためにすべてのアルゴトレーダーが知るべき公式。

直感を壊すパズル

想像してください：ある資産が70%上昇し、その後70%下落しました。あるいは逆に、まず下落し、次に上昇しました。どちらのシナリオがより有利でしょうか？

答え：どちらも同じく不利です。乗算は可換です：

$100 \times 1.7 \times 0.3 = 100 \times 0.3 \times 1.7 = 51$

価格の「ゼロ」移動で資本の49%を失いました。これはバグではありません — リターンの乗法的性質の基本的な特性です。

なぜ損失は利益より「重い」のか

パーセントリターンは乗法空間での演算です。50%の損失は0.5を掛けることを意味し、元に戻るには2を掛ける必要があります — つまり100%を稼ぐ必要があります。

回復の公式

資本の$x\%$を失った場合、初期残高に戻るために必要なリターン：

$R_{recovery} = \frac{x}{100 - x} \times 100\%$

導出は基本的です。初期資本を$C$とします。$x\%$の損失後：

$C_{after} = C \cdot \left(1 - \frac{x}{100}\right)$

回復するには、$C_{after} \cdot (1 + R) = C$、したがって：

$R = \frac{C}{C_{after}} - 1 = \frac{1}{1 - x/100} - 1 = \frac{x}{100 - x}$

非対称性テーブル

非対称性係数は非線形に増大します。50%の損失後は、戦略を変更しない限り統計的にほぼ脱出不可能なゾーンに入ります。

ボラティリティドラッグ：レンジ相場のサイレントキラー

市場が「動かない」時でさえ、ボラティリティそのものが資本を破壊します。この現象はボラティリティドラッグ（分散ドレイン）と呼ばれます。

正式な定義

日次リターンの列$r_1, r_2, \ldots, r_n$に対して、幾何（実質）リターンは：

$G = \prod_{i=1}^{n}(1 + r_i) - 1$

算術（平均）リターンは：

$\bar{r} = \frac{1}{n}\sum_{i=1}^{n} r_i$

両者の関係は近似的に：

$G \approx \bar{r} - \frac{\sigma^2}{2}$

ここで$\sigma^2$はリターンの分散です。項$\frac{\sigma^2}{2}$がボラティリティドラッグです。

例：日次ボラティリティ5%のレンジ相場

資産が毎日等確率で5%上昇または下落するとします。算術平均 = 0%。しかし幾何リターンは：

$G \approx 0 - \frac{0.05^2}{2} = -0.125\%$

252営業日で：$(1 - 0.00125)^{252} \approx 0.729$、つまり**「ゼロ」の平均変動で年間-27.1%**。

日次ボラティリティが3-8%の典型的な暗号資産市場では、方向性トレンドなしにボラティルな資産を保有するだけで、資本損失が保証されることを意味します。

実践的応用：Pythonシミュレーション

import numpy as np

def simulate_volatility_drag(daily_vol: float, days: int = 252, simulations: int = 10_000) -> dict:
    """
    Monte Carlo simulation of volatility drag.

    Args:
        daily_vol: daily volatility (0.05 = 5%)
        days: number of trading days
        simulations: number of simulations

    Returns:
        Statistics of real (geometric) returns
    """
    daily_returns = np.random.normal(0, daily_vol, (simulations, days))

    cumulative = np.prod(1 + daily_returns, axis=1)
    geo_returns = cumulative - 1

    theoretical_drag = -0.5 * daily_vol**2 * days

    return {
        "mean_geometric_return": np.mean(geo_returns),
        "median_geometric_return": np.median(geo_returns),
        "theoretical_drag": theoretical_drag,
        "prob_loss": np.mean(geo_returns < 0),
        "worst_5pct": np.percentile(geo_returns, 5),
        "best_5pct": np.percentile(geo_returns, 95),
    }

result = simulate_volatility_drag(daily_vol=0.04)
print(f"Mean geometric return:  {result['mean_geometric_return']:.2%}")
print(f"Theoretical drag:       {result['theoretical_drag']:.2%}")
print(f"Probability of loss:    {result['prob_loss']:.2%}")
print(f"Worst 5%:               {result['worst_5pct']:.2%}")

BTC的なボラティリティの典型的な出力：

Mean geometric return:  -17.34%
Theoretical drag:       -20.16%
Probability of loss:     63.28%
Worst 5%:               -72.41%

アルゴトレーディングへの示唆

1. リスク/リワードとケリー基準

損失の非対称性を知った上で、最適なポジションサイズはケリー基準で計算されます：

$f^* = \frac{p \cdot W - (1 - p) \cdot L}{W \cdot L}$

ここで$p$は勝率、$W$は平均勝ち、$L$は平均負け（賭け金の割合として）です。

実践的なトレーディングでは、フラクショナルケリー（$f^{*}/2$または$f^{*}/3$）が使用され、長期リターンのわずかな減少と引き換えに資産のボラティリティを低減します。

2. 最大ドローダウンとポジションサイジング

戦略が最大ドローダウン$D_{max}$を許容し、ストップロスが$S\%$に設定されている場合、臨界的ドローダウンまでの連続ストップの最大数は：

$n = \frac{\ln(1 - D_{max})}{\ln(1 - S)}$

例：$D_{max} = 20\%$で$2\%$のストップロスの場合：

$n = \frac{\ln(0.8)}{\ln(0.98)} = \frac{-0.2231}{-0.0202} \approx 11$

戦略は11回の連続ストップに耐えられます。勝率を知っていれば、そのような連敗の確率を推定できます：

$P(n\ \text{ストップ}) = (1 - WR)^n$

勝率45%の場合：$P = 0.55^{11} \approx 0.14\%$ — 許容範囲のリスクです。

3. 戦略の幾何期待値

戦略の真の長期リターンはトレードの算術平均ではなく、幾何期待値です：

$E_{geo} = (1 + W)^p \times (1 - L)^{(1-p)} - 1$

$W = 3\%$、$L = 1\%$、$WR = 40\%$の戦略：

$E_{geo} = 1.03^{0.4} \times 0.99^{0.6} - 1 = 1.01194 \times 0.99401 - 1 = +0.59\%$

$W = 3\%$、$L = 3\%$、$WR = 50\%$（「損益分岐」に見える）の戦略：

$E_{geo} = 1.03^{0.5} \times 0.97^{0.5} - 1 = 1.01489 \times 0.98489 - 1 = -0.045\%$

対称的なR:Rで勝率50%の戦略は、ボラティリティドラッグのため不採算です。

4. レバレッジ：テコが戦略を壊す時

レバレッジはリターンだけでなくボラティリティドラッグも増幅します。レバレッジなしではドラッグは$\frac{\sigma^2}{2}$ですが、レバレッジ$L$の場合$\frac{L^2 \sigma^2}{2}$になります。レバレッジ下の資本の幾何成長率：

$g(L) = L \cdot \mu - \frac{L^2 \sigma^2}{2}$

ここで$\mu$は期待リターン、$\sigma$は資産のボラティリティです。

3倍のレバレッジはドラッグを9倍増加させます（3倍ではなく）。10倍のレバレッジ — 100倍。100倍のレバレッジ — 10,000倍。

最適ケリーレバレッジ

$g(L)$の最大値は以下で達成されます：

$L^* = \frac{\mu}{\sigma^2}$

これは理論的最適値です。実践では、ポジションサイジングと同じ理由（$\mu$の不正確な推定、ファットテール分布、非定常ボラティリティ）でフラクショナルケリー（$L^*/2$または$L^*/3$）が使用されます。

テーブル：レバレッジ、清算、ボラティリティドラッグ

目標ドローダウンからの最大レバレッジ

最大ドローダウンを$D_{max}$に制限し、資産の日次VaRが99%信頼水準で$V$の場合：

$L_{max} = \frac{D_{max}}{V}$

テーブルからの結論：暗号資産市場のボラティリティでは、3倍でさえ既に積極的なレバレッジです。暗号資産取引所で人気の50×-125×は、最初の通常の市場変動で数学的に保証された清算です。

レバレッジ選択の実践的公式

堅牢なアプローチは、複数の推定値の最小値を取ることです：

$L_{opt} = \min\left(\frac{L_{Kelly}}{2},\quad \frac{D_{max}}{VaR},\quad \frac{\sigma_{target}}{\sigma_{current}},\quad L_{exchange}\right)$

ここで：

• $\frac{L_{Kelly}}{2}$ — フラクショナルケリー（最適レバレッジの半分）
• $\frac{D_{max}}{VaR}$ — 最大ドローダウン制約
• $\frac{\sigma_{target}}{\sigma_{current}}$ — ボルターゲティング（目標ポートフォリオボラティリティへのスケーリング）
• $L_{exchange}$ — 取引所の上限

最小値により、いずれの制約も違反されないことが保証されます。実践では、通常ドローダウン制約が最も制約的です。

インタラクティブ計算機： 最適レバレッジ計算機を試してください — 戦略パラメータを入力し、4つの方法すべてにわたる最適レバレッジを可視化付きで取得できます。

トレーディングシステム構築のための結論

損失管理は、利益の出るエントリーを見つけることよりも数学的に重要です。これはモチベーション的なスローガンではなく、乗法的リターンの非対称性の帰結です。

具体的なルール：

1. ストップロスは必須。 損失の1%ごとに回復が指数関数的に困難になります。25%以上のドローダウン（+33%が必要）はレッドゾーンです。

2. 最小R:R = 1:2。 対称的なR:Rでは50%の勝率でさえ不採算です。利益に有利な非対称的なR:Rのみがボラティリティドラッグを補償します。

3. サイジングにはフラクショナルケリー。 フルケリーは理論的に最適ですが、実践では$f^{*}/2$が資産ボラティリティの50%で75%のリターンを実現します。

4. エッジなしのボラティリティは敵。 ボラティルな資産のレンジ相場では、単にポジションを持つだけで損失が発生します。統計的エッジがなければ — トレードするな。

5. 幾何期待値を計算せよ、算術ではなく。 トレードごとの平均利益を示すバックテストは嘘をついています — 実質リターンは常に$\frac{\sigma^2}{2}$だけ低くなります。

6. レバレッジは公式から、欲から決めるな。 $L_{max} = D_{max} / VaR$の公式を使って最大レバレッジを計算してください。日次VaR 8%で目標ドローダウン20%の暗号資産では、これは2.5倍 — 50倍でも125倍でもありません。

結論：正しく計算せよ — より長く生き残る

リターンの乗法的性質の理解は学術的な演習ではありません。あらゆる実行可能なトレーディングシステムが構築される基盤です。

ほとんどのトレーダーが市場に負けるのは、「直感」やインサイダー情報がないからではありません — 加法空間（算術平均）で意思決定をする一方、市場は乗法空間（幾何平均）で動いているから負けるのです。

すべてのトレードの前に問うべき3つの質問：

1. ストップが発動したら — 回復できるか？ 公式$R_{recovery} = \frac{x}{100-x}$が即座に答えを出します。トレードごとのリスクが10%を超えると、回復には不釣り合いな努力が必要になります。

2. 統計的エッジはあるか？ ないなら — トレードするな。ボラティリティだけでボラティリティドラッグを通じて損失が保証されます。ボラティリティ下でのエッジの不在は、遅いが不可避な資本の破壊です。

3. 戦略の幾何期待値は何か？ トレードごとの平均利益でも勝率でもなく — まさに$E_{geo}$です。これが真の長期的有効性を示す唯一の指標です。

アルゴトレーディングはコードを書くことからではなく、数学から始まります。コードは数学的検証を既に通過した戦略の実装ツールに過ぎません。この検証なしには、完璧に書かれたアルゴリズムでさえ体系的にあなたの資金を減らします。

市場はミスを罰しません — ただ、正しく計算しない者から正しく計算する者へと資本を再分配するだけです。

次のトピック：平均分散法を使ったポートフォリオ最適化 — 分散投資が機能する時と安全の幻想になる時。

Citation

@article{soloviov2026lossprofitasymmetry,
  author = {Soloviov, Eugen},
  title = {Loss-Profit Asymmetry: The Math That Kills Your Deposit},
  year = {2026},
  url = {https://marketmaker.cc/ja/blog/post/loss-profit-asymmetry},
  version = {0.1.0},
  description = {Why losing 50% requires 100% growth to recover, how volatility drag destroys capital even in sideways markets, and which formulas every algo trader must know for risk management.}
}