拓海先生、お忙しいところすみません。部下からAI関連の投資を勧められているのですが、ETFとかトークンとか聞いてもピンと来ないんです。何が違うのか、まず端的に教えていただけますか。
素晴らしい着眼点ですね！簡潔に言うと、ETFは複数企業をまとめたバスケットで株式市場寄り、トークンは暗号資産（クリプト）でボラティリティが高い、グリーン資産は環境関連で比較的安定志向です。これだけで投資の性質が大きく変わるんですよ。
それで今回の論文は、ETFとトークン、あとはグリーン市場の間でリスクがどう伝わるかを調べたと聞きました。それで、結論は端的に何ですか。
大丈夫、一緒に整理しますよ。要点は三つあります。第一に、同時的（コンテンポラネアス）なリスクの連動性は高いが、遅行（ラグ）した影響は小さい。第二に、AI ETFとクリーンエネルギーは「リスクの発信源」であり、AIトークンとグリーンボンドは「リスクの受信側」である。第三に、AIトークンはヘッジが難しく、ETFやグリーン資産と組む方が分散効果が高い、ということです。
なるほど。で、現場で言われる「TCI（Transmission Connectedness Index）」という指標はどう役に立つのですか。
専門用語を使うときは必ず説明しますね。Transmission Connectedness Index（TCI）– 伝播連結度指標 – は、資産間でリスクがどれだけ“伝わっているか”を数値化するものです。実務では、TCIが高いときは市場全体が同調しやすく、分散投資の効果が薄まるため、ポートフォリオ戦略を見直すサインになります。
これって要するにAIトークンはヘッジが難しいということ？それと、ETFが市場にストレスを与える側にも回ると。
その理解で合っていますよ。補足すると、AIトークンは流動性や価格変動が激しいため単独でのヘッジが効きにくい。ETFは企業業績や投資フローに基づく実体のある動きがあるので、市場全体に影響を与える力を持ち得るのです。
では実務視点で、我々の投資判断にどう結びつければいいのか。最小分散ポートフォリオ（MVP）とか最小相関ポートフォリオという話が出てきますが、どれを重視すべきでしょうか。
直球でお答えします。論文の結果では、複数の資産を組み合わせるとリスクが下がり、特に相関を最小化するポートフォリオが分散効果で優れていました。言い換えれば、ETFだけで固めるのではなく、ボラティリティの性質が異なる資産を組み合わせると安全側に振れるのです。
なるほど。最後に一つだけ伺います。我が社のような実物資産中心の中堅企業が、これらの知見を投資や資金運用に活かすなら、何を優先すべきでしょうか。
大丈夫、一緒にやれば必ずできますよ。実務的には三点を順にやるのが良いです。第一に、ポートフォリオ全体の連結性（TCI）を定期的にモニターすること。第二に、ボラティリティ特性の異なる資産を組み合わせて分散効果を狙うこと。第三に、AIトークンのような高ボラティリティ資産は小さく段階的に扱うこと。これで投資のショック耐性が変わりますよ。
わかりました。では私の言葉でまとめます。要するに、同時に動く力（TCI）が強いときは全体リスクに注意しつつ、ETFとグリーン資産はリスクを出す側になり得る。AIトークンは受け手で、単独ではヘッジしにくいから、相関が低い資産と組むべき、という理解でよろしいですね。
その通りですよ。素晴らしい要約です。これで会議でも的確に説明できるはずです。
1.概要と位置づけ
結論から述べる。本研究は、人工知能関連の上場投資信託（ETF: Exchange Traded Fund、上場投資信託）とブロックチェーン上のAIトークン（AI tokens）、およびグリーン市場（グリーンボンドやクリーンエネルギー株）間のリスク伝播を定量的に捉え、実務的なポートフォリオ戦略の示唆を提示した点で、投資家の資産配分判断に直接的な示唆を与える研究である。手法面ではR2分解（R2 decomposition）を用いて、資産間の同時的連結性と遅行的連結性を分離し、どの資産がリスクを発信し、どの資産がそれを受けるかを明確化した点が革新である。特に同時性の高いリスク連動が観察される一方で、遅行的影響は弱く、短期的なショックが市場全体に瞬時に波及する実務的な示唆が得られる。これにより、投資ポートフォリオの時間軸と資産選択の設計を再考する必要性が示された。
2.先行研究との差別化ポイント
先行研究は概ね暗号資産と株式市場、あるいは再生可能エネルギー関連資産の二者間の連動性を扱ってきたが、本研究はAIテーマに特化し、ETF、トークン、グリーン資産という三者を同時に扱った点で差別化する。さらに、R2分解を用いることで、相互伝播の大きさだけでなく時間的な性質（同時性と遅行性）の違いを明確にした点が実務上の価値を高める。また、ポートフォリオ最適化の比較において、最小相関ポートフォリオが最小分散や最小連結性ポートフォリオを上回る実証結果を示し、資産選択の指標として相関構造の重要性を再提示した。これらは、単純な分散投資や従来の分散尺度だけでは見えないリスク構造を浮き彫りにする。
3.中核となる技術的要素
本研究の計量的基盤はR2分解（R2 decomposition）と呼ばれる手法である。これは回帰的な寄与度に基づき、ある資産の変動が他の資産群にどの程度説明されるかを分解する手法であり、伝播連結度（TCI: Transmission Connectedness Index）を導出する根拠になる。TCIは多変量の分散分解に基づき、全体のリスク伝播強度を示す指標であり、同時的（コンテンポラネアス）な影響とラグを伴う影響を分けて計測できる点が重要である。これにより、資産間の短期瞬時同調と中長期の遅行効果を分離して分析でき、投資家は短期的なショック耐性と中長期の連結性リスクを別々に評価できる。
4.有効性の検証方法と成果
検証は市場データを用いた実証分析で行われ、R2分解に基づくTCIの推移、資産別のネット送信・受信性、ヘッジ比率（hedge ratios）とヘッジ効果（hedge effectiveness）を推定した。主要な成果は三点である。第一に、総合TCIは同時的TCIとほぼ一致する一方で、遅行的TCIは小さいことが確認されたため、市場は短期的に強く同期する性質を持つ。第二に、AI ETFとクリーンエネルギー資産はリスク伝播の発信源であり、AIトークンとグリーンボンドは受信側である。第三に、AIトークンはヘッジの難易度が高く、最小相関ポートフォリオが最小分散ポートフォリオや最小連結性ポートフォリオを上回るパフォーマンスを示したことから、相関構造を重視した分散が有効である。
5.研究を巡る議論と課題
本研究は示唆に富むが、いくつかの制約と議論点が残る。第一に、AIトークンは暗号資産市場の特徴を持つため、規制や取引所の変化に対して脆弱であり、サンプル期間や流動性の変化によって結果が変わる可能性がある。第二に、ETFの影響力は資金流入・流出の構造に依存するため、機関投資家の行動変化が伝播構造を変えるリスクがある。第三に、グリーン資産の定義や組成が多様であるため、同一カテゴリ内でもリスク特性が異なる点が今後の細分化研究の対象となる。これらは実務での適用時に留意すべき点である。
6.今後の調査・学習の方向性
今後は数点を優先的に調査すべきである。まず、非同期データや高頻度データを用いた短期的ショック伝播の詳細な解析が必要であり、これにより市場の瞬時同調のメカニズムを解明できる。次に、規制ショックや取引所の停止といった外生ショックがリスク伝播に与える影響を検証することで、ストレス時のポートフォリオ設計が可能になる。最後に、企業レベルのファンダメンタルズとトークンのメタ特性（流動性、上場先、ブロックチェーン）の結びつきを調べることで、なぜある資産が送信側・受信側になるのかの因果的理解が深まるだろう。
検索に使える英語キーワード: AI ETFs, AI tokens, green markets, risk spillovers, portfolio management, transmission connectedness, R2 decomposition
会議で使えるフレーズ集
「TCI（Transmission Connectedness Index）が上昇しているので、短期の同時リスクに注意が必要です。」
「AIトークンは単独でのヘッジが難しいため、相関の低い資産と組み合わせる提案をします。」
「最小相関ポートフォリオは、今回の実証で分散効果が最も高かったため、相関構造を重視した配分を検討しましょう。」
引用元: Shao Y.-H., Yang Y.-H., Zhou W.-X., “Dynamic spillovers and investment strategies across artificial intelligence ETFs, artificial intelligence tokens, and green markets,” arXiv preprint arXiv:2503.01148v2, 2025.
