R二乗

直接の答え

R二乗は通常R²と表記される統計指標で、モデルの予測が観測データにどれだけ合っているかを表します。簡単に言うと、「説明された」変動の量を、目的変数（ターゲット）系列における全変動と関連づけるものです。FX関連のシグナルや特徴量の分析で使う場合、R²は、入力と出力変数の関係がイン・サンプルで強いかどうかを評価するのに役立ちます。とはいえ、それ自体で、その関係が将来も成り立つかどうかは示しません。

R二乗の仕組み

基本定義

R²は線形回帰でよく使われます。モデルの適合度を、平均まわりのデータのばらつきと比較します。概念的には、次の問いに答えます。「モデルの誤差は、一定の予測として平均を使う場合と比べてどれだけ小さいのか？」

正確な計算はモデルのファミリーや実装によって異なりますが、核となる考え方は「説明された変動」と「全変動」の比です。

入力と「出力」の意味

R²を計算するには、次が必要です：

• 説明または予測したい従属変数（ターゲット）。
• モデルが用いる1つ以上の独立変数（入力／特徴量）。
• 評価用データセットにおける、ターゲットと入力の観測データ。

重要なポイントは、R²は常に、選んだターゲットとモデルの指定方法に対して相対的だということです。ターゲットの定義（たとえばリターンを測るのか、価格水準を測るのか、変換した量を測るのか）を変えると、「適合（fit）」の意味が変わります。

数値の解釈

• R²が高いほど、一般にモデルは観測されたターゲットデータの変動をより多く説明していることを示します。
• R²が0に近い場合は、平均を予測することに比べて説明力がほとんどないことを示唆します。
• モデリングの選択によって過去のノイズに合わせやすくなると、R²は誤解を招くことがあります。

R²は誤差と分散から導かれるため、イン・サンプルの適合度の指標です。つまり、安定した関係を学習することなく、過去の変動に一致するモデルを評価してしまうことがあります。

実務でのメカニクス：R²をモデル評価につなげる

イン・サンプル vs アウト・オブ・サンプル

R²は通常、モデルを評価するデータセットで計算されます。同じデータでモデルを適合（学習）させ、そのデータ上でR²を計算すると、モデルが暗黙にノイズを学習してしまう可能性があるため、性能を過大評価することがあります。

より信頼できる使い方は、適合（学習）中に使われなかったデータでR²を計算することです（アウト・オブ・サンプルまたは検証）。イン・サンプルとアウト・オブ・サンプルのR²の違いは、不安定さを示すことがあります。

残差と、R²が示さないもの

R²は全体の適合度を要約しますが、次のことは説明しません：

• 誤差が一方向に偏っているかどうか。
• レジーム（局面）ごとにモデルの性能が均等かどうか。
• 予測のタイミングが意味のある結果と一致しているかどうか。
• 残差がランダムノイズのように振る舞うかどうか。

2つのモデルが似たR²を共有していても、誤差の構造は大きく異なることがあります。

制限とリスク

過学習と見かけの関係

大きなリスクは、モデルがより柔軟になるだけでR²が上がってしまうことです。金融の時系列ではノイズや非定常性がよくあるため、将来には続かない歴史的パターンに対して「良い適合」が得られてしまうことがあります。

このリスクは次の場合に増大します：

• 多くの入力、または複雑な特徴量変換を使っている。
• データリークが起きる（未来の情報が偶然現在に影響してしまう）。
• 評価が、適合（学習）に使ったのと同じ時間窓を用いている。

仮定と評価セットアップへの依存

R²は、設計されたモデリング手法の文脈（一般に線形回帰）で解釈するのが最も素直です。その文脈外で適用すると、実装が異なり、解釈もより条件付きになります。

また、R²は次にも敏感です：

• ターゲット変換（水準 vs 差分 vs リターン）。
• スケーリングと、従属変数の分散がどう表現されているか。
• 時間を通じた構造変化の有無。

非因果性

R²が高くても、それは関連性と適合を測るだけで因果を示すものではありません。特徴量とターゲットの間に強い統計的関係があっても、それが偶然、特定のレジームに限ったもの、あるいは隠れた変数によって引き起こされている可能性があります。

確認と責任ある解釈

時間を通じた安定性を確認する

R²の値が安定した関係を反映しているかどうかを評価するには、複数の時間区間にわたってR²を見ます。後半の期間でR²が急に下がるなら、その関係は一般化しないかもしれないことを示唆します。

単純なベースラインと比較する

R²は平均を予測することに対して相対的です。モデルの追加の複雑さが、より単純な仕様と比べてアウト・オブ・サンプルのR²を意味のある形で改善しないなら、増分の説明価値は限定的かもしれません。

複数の指標を使う

意思決定にR²単体は十分ではありません。誤差の大きさ、誤差分布、アウト・オブ・サンプルの信頼性を反映する指標と組み合わせることを検討してください。さらに、モデルが系統的なパターンを残していないかを理解するために残差の挙動も確認します。

期待値を現実的に保つ

FXデータは時間とともに性格が変わり得るため、不確実性は本質的にあります。R²を、適合と一般化のための1つの診断として扱い、将来の結果の予測として扱わないでください。

比較：R二乗 vs 関連する適合の考え方

R² vs 相関（概念的な対比）

R²は相関と並んで導入されることがよくあります。単純な線形の設定では、R²は予測値と観測値の間の相関の二乗に対応するためです。ただし、回帰で使われるR²は、複数の入力が関わる場合に、単一の相関指標を超えて一般化できます。

R² vs 生の誤差

R²はターゲットの分散で正規化されるため、平均的な誤差指標とそのまま同じではありません。生の誤差は大きさを理解するうえで直感的な場合がありますが、R²は相対的な説明された変動により重点があります。

R² vs 「予測力」

あるデータセットでR²が高いからといって、別のデータセットで自動的に予測力があるとは限りません。予測力は、将来のデータが過去のデータとどう違うかを反映する適切な検証によって評価すべきです。

R二乗が最も有益なとき

R²は、次ができる場合に最も有益になりがちです：

• 明確なターゲット変数を定義できる。
• 時系列の順序を反映する検証アプローチを使う。
• アウト・オブ・サンプルのR²が意味のある強さを保っていることを確認する。
• モデルのセットアップが情報をリークしていないことを保証する。

それ以外の場合、R²は主に、モデルが歴史的なノイズをどれだけ再現できるかを示す指標になるかもしれません。

必要なら、R²が関連する統計指標とどう違うのか、またその解釈に最も影響するデータの選び方は何かも説明できます。