近年，期待リターンの推定値を用いずに，リスクのみを考慮して資産配分を決定するリスクベース・ポートフォリオが注目されている．いくつかの先行研究は，リスクベース・ポートフォリオにおいて，従来の日次の分散などを用いるよりも，実現分散（realized variance, RV）や実現バイパワーバリエーション（realized bipower variation, BPV）といった，高頻度データから算出されるリスク指標を用いた場合に，より高いパフォーマンスが得られることを示している．一方，高頻度データを用いて資産の下方リスクを考慮するために，Barndorff-Nielsen et al. (2008)は日中の下方変動のみから算出されるリスク指標である実現半分散（realized semivariance, RS）を提案し，米国市場において実現半分散が日次リターンとの負の相関を有するとともに，高い自己相関も有することを示した．しかし，これらの特徴を資産配分問題に応用し，その有用性を検証した論文は筆者らの知る限り存在しない．そこで本研究では，実現半分散を用いて，国内株式，国内債券，国内不動産の3資産を対象としたリスクベース・ポートフォリオを構築し，従来のリスク指標を用いる場合と運用パフォーマンスを比較する．具体的には，2006年1月5日から2020年8月31日のTOPIX，長期国債先物，東証REIT指数の3資産の日中リターンを用いて，Bollerslev et al. (2020)の推定方法をもとに実現半分散を用いた分散共分散行列を推定し，リスクベース・ポートフォリオ（ボラティリティ・インバース，リスク最小化，リスクパリティ）において，従来のリスク指標（RV，BPV，日次の分散，下方半分散）を用いた場合に比べて高い運用パフォーマンスが得られることを示した．また，リターンの要因分解によって，実現半分散を用いた分散共分散行列において共分散よりも分散の方がパフォーマンスに寄与することが分かった．さらに，リスク指標の推定期間や高頻度データの観測間隔，投資ウィンドウについて感度分析を行った結果，実現半分散を用いた場合のアウトパフォーマンスが頑健であることも確認した．

本研究は，外国為替証拠金取引業務におけるロールオーバー戦略について検討した．一般に実務においては流動性の観点より，受渡し日が短いトゥモローネクストでロールオーバーするのが一般的である．しかし理論的には金利のタームプレミアムを考慮すると，1週間や3週間など長期のフォワード取引を活用することにより受取りスワップポイントの上乗せを期待できる．しかし稀に短期のスワップ金利が急騰する場合があり，その際に長期フォワード取引を選択していれば高いスワップポイントを逃してしまう．そこで我々は機械学習によって長期のフォワード取引を積極的に選ぶべきタイミングを検出し，短期のトゥモローネクストおよびより長期のフォワード取引を組み合わせた混合戦略を提案する．このタイミングは，対象通貨における為替相場のみならず，株式・債券・商品先物など様々な要因が非線形的に影響すると考えられる．またフォワードレートは一般的にカバー付き金利平価説によって定式化できるが，突発的な政治経済情勢などの変化によって，現実のフォワードレートは理論値から乖離する可能性がある（Du et al. (2018a)）．その結果，タームプレミアムの逆転現象（短期と長期のフォワード取引から得られるスワップ金利の逆転現象）も実際に度々観測される．本研究ではこのような状況を踏まえ，理論値からの乖離に影響を与えうる要因を説明変数とし，機械学習によって適切なフォワード期間を選択するための判別モデルを構築した．教師データとして過去の最適解を学習し，その後の判別を行った結果，約70%の正答率を実現できた．さらに獲得したスワップポイントのリスクリターン比によれば，我々の混合戦略は長期のフォワード取引と同等の安定性を維持したまま，短期のトゥモローネクストと同等の収益性を実現できた．

ティックデータを使ったボラティリティの超短期の予測方法について新たな提案と考察を行うのが本稿の目的である. ティックデータから日中ボラティリティを求める代表的な方法としてEngle (2000)のACD-GARCHモデルがある. このモデルの最大の特徴は日中ボラティリティと約定間隔をはじめとするマーケットマイクロストラクチャ要因間の仮説検定を可能にしたところにある. Théoret and Coën [2008]はACD-GARCHモデルを使った日中ボラティリティの超短期予測(3日分)を行う方法を提案した. ただし, 彼らの先行研究ではゼロ約定間隔と日中ボラティリティの関係についての言及はなかった. そこで本稿ではゼロ約定間隔を調整するための高 (2016)によるパラメータ修正を適用した上で, 日中ボラティリティの超短期予測にゼロ約定間隔が与える影響についた考察を行った.

本研究では，HFTの実態を把握すべく，東証の板再現データ（2010年１月から2015年9月までの全数調査約256億件の注文情報）からHFT業者の日本市場への参入の軌跡や，市場シェア，取引スタイル等を分析した．先行研究では，コロケーション経由に基づくHFT判定が主流であったが，各仮想サーバに対して，これまで行われなかった膨大な注文情報を細かく集計する探索型の分析を通じて，①手動注文と成行注文が顕著に含まれない仮想サーバと含まれる仮想サーバに分類された点，②HFT特有の高頻度性を有する仮想サーバが前者であるという点の２つの新たな知見が得られた．そこで，本研究では，この新たな知見に基づきアルゴリズム化基準（「取引自動化」と「仮想サーバの専有」を基準とした『アルゴリズム化基準』）を提案することで，これまで把握されてこなかったHFTの全貌や実態を下記通り明らかにすることができた．(1)この提案したアルゴリズム化基準によって，典型的なHFT（高頻度かつ高速の注文を行う者）の取引グループを捕捉できた，(2)特に，2014から2015年の観察期間では，仮想サーバの約65％，注文総数の約70％，売買代金の約45％がHFTによって占められていること，(3)HFTはザラバで注文を行う一方，信用取引を行わないこと，(4)IOC注文を行うのは，HFTの中でも特にアルゴリズム化度合が高いグループに限定されること，(5)HFTの中でも特にアルゴリズム化度合及び高頻度性の双方が高いグループで，空売り注文を駆使し，マーケットメイク（メイク注文が多くテイク注文が少ない）を行っていること，がそれぞれ判明した．