― 最初に行う最も重要な下準備 ―
クオンツ戦略を構築する際、最も基本でありながら戦略の“根幹”を支えるのがこのSTEP 1、「データの収集とクリーニング」です。
華やかなバックテストや機械学習モデルの影に隠れがちですが、どれだけロジックが優れていても、データが歪んでいれば戦略は破綻します。
逆に言えば、正しく整ったデータを扱えることこそが、クオンツ運用の信頼性と実行力の土台となるのです。
1. 収集すべきデータの種類と用途
仮説の種類に応じて、以下のようなデータが必要となります：
| データカテゴリ | 例 | 目的 |
|---|---|---|
| 価格データ（先物・現物） | 日経225先物、TOPIX、個別株、FX | 基礎的なリターン・スプレッドの算出 |
| テクニカル指標 | 移動平均、RSI、MACDなど | 市場の勢いや過熱感の測定 |
| ファンダメンタル | PER、PBR、ROE、業績情報 | 企業の評価水準・成長性を反映 |
| 相対指標 | 指数間スプレッド、セクター比率 | 相対パフォーマンスの判断材料 |
| 外部環境 | 米株指数、ドル円、金利、VIX、GDP | 外部ショックや国際的な影響評価 |
| 時間情報 | 曜日、月末、SQ日、祝日、仲値時間 | 時間的歪み（時間帯アノマリー）検出 |
2. 実務で使われるデータ量（期間・粒度別）
実際のクオンツ分析で使用されるデータ量は、モデルタイプやターゲット時間軸に応じて次のように決まっています。
日次モデル（1日リターン、週間リターンなど）
| 要素 | 内容 |
|---|---|
| 推奨データ期間 | 3〜5年（約750〜1250営業日） |
| 必要な本数 | 750本（最小）〜1500本（推奨） |
| 理由 | 季節性・イベントサイクル（決算、年度）を含む複数サイクルを検証可能にするため |
5分足モデル（寄付き〜前場引け戦略、短期デイトレなど）
| 要素 | 内容 |
|---|---|
| 推奨データ期間 | 1〜2年分以上（約50,000〜100,000本） |
| 内訳 | 1営業日あたり 75本（5分足） × 約250営業日 ≒ 約18,750本/年 |
| 最低ライン | 2万本以上が実務目安（短期戦略でも統計的信頼性を確保） |
1分足モデル（超短期アルゴ、HFT寄り）
| 要素 | 内容 |
|---|---|
| 推奨データ期間 | 6か月〜1年で10万本〜30万本以上 |
| 注意点 | 処理負荷・外れ値・ノイズの多さによりクレンジングの重要性が跳ね上がる |
3. データソースと実務での注意点
| 用途 | 実務的なデータソース |
|---|---|
| 株価・先物 | Bloomberg、QUICK、楽天RSS、JPX CSV、TradingView API |
| FX・海外指数 | OANDA、Investing.com、Refinitiv、FRED、Yahoo Finance |
| 経済イベント | Bloomberg、Investing.com、日本取引所、時事通信 |
重要：異なるソースを混ぜる場合、時間軸（時差・整合性）の確認が必須です。
4. クリーニングでやるべきこと
必須処理
- 欠損補完、0除外、スケーリングの統一（変化率など）
- 市場休場・祝日・半日取引の削除
- 株式分割や先物ロールオーバーの補正
時系列モデル固有の処理
- 時間の「ずれ」補正（NY時間→JST、夏時間調整）
- 異常値検出：異常変動の±5σ超などを事前フラグ
- ターゲットと特徴量のラグ処理（未来データ混入防止）
まとめ
プロの世界では、「データが8割、ロジックは2割」と言われるほど、データ構築の精度が戦略の土台を決定します。
特に短期足や高頻度モデルでは、本数が足りないだけで再現性・信頼性が致命的に落ちるため、必要本数を満たしたうえでクリーニングのロジックまでコード化されていることが前提です。
次のSTEPでは、このデータをもとに「どのような特徴量を設計するべきか？」を見ていきましょう。
実例：練習仮説に基づいたデータ収集と整備
ここで、STEP0で立てた練習仮説「日本市場は朝イチに外国人投資家の影響を強く受ける」に基づいて、実際にどのようなデータを整備したのかをご紹介します。
仮説概要（おさらい）
- 外国人投資家の売買行動は米国株（ダウ・ナスダック・S&P500）や為替（ドル円）に強く影響を受ける
- それらは翌日の日本市場（特に朝の寄付き〜9:45）に反映されやすい
- 仲値決定（9:55）前までは“海外主導”の価格形成が起こりやすい
この仮説をもとに、必要な変数と時間整合性を意識しながらデータを集めていきました。
実際に整備したデータ
| データ分類 | 内容 |
|---|---|
| 日本市場 | ミニ日経225先物（夜間終値） ミニ日経225先物（8:45〜9:45の1時間足） |
| 米国株指数 | ダウ、ナスダック、S&P500（前営業日終値） |
| 外部環境 | VIX、WTI原油、金価格、USDJPY（為替） |
| 債券利回り | 米10年・5年・2年金利 |
| 合成指標 | ダウ×ドル円、ナスダック×ドル円、S&P500×ドル円（海外影響の強弱を見るため） |
データ整備で注意した点
- 米国市場のデータは「1営業日遅れ」で整合（米国終値 → 翌日の日本市場へ影響）
- すべてのデータで欠損値ゼロ、空白ゼロを確認済み（NaN処理不要）
- タイムスタンプは全データを日本時間で統一し、営業日ベースで揃えて構築
- 計算のしやすさを考慮し、終値・始値・変化率を分離して保持
ポイント
このように「仮説→必要な要因→正しい取得と整形」までを一貫して行うことで、
後の特徴量設計・モデル構築の質が一気に高まります。
仮説を裏付けるデータを正しく準備することが、すべての分析の出発点であることを実感できる工程です。
次は、いよいよこのデータをもとに「どの変数を“効きそうなファクター”に加工するか？」というSTEP2：特徴量の設計に進んでいきます。お楽しみに！