{
  "schema_version": 1,
  "slug": "giacometti-torri-paterlini-2021-tail-risk-selection",
  "title_ja": "多数銘柄の配分で極端損失をどう抑えるか",
  "title": "Tail Risks in Large Portfolio Selection: Penalized Quantile and Expectile Minimum Deviation Models",
  "authors": [
    "Ruggero Giacometti",
    "Giacomo Torri",
    "Sandra Paterlini"
  ],
  "published_year": 2021,
  "venue": "Quantitative Finance",
  "identifiers": {
    "doi": "10.1080/14697688.2020.1820072",
    "arxiv": null,
    "jstage": null,
    "ssrn": null
  },
  "versions": [
    {
      "kind": "publisher",
      "url": "https://doi.org/10.1080/14697688.2020.1820072",
      "label": "出版社ページ（DOI）"
    }
  ],
  "source": {
    "provider": "publisher",
    "metadata_license": "other",
    "text_reuse": "none",
    "accessed_at": "2026-08-11"
  },
  "categories": [
    "portfolio_risk",
    "statistical_method"
  ],
  "methods": [
    "regression",
    "simulation"
  ],
  "sample": {
    "markets": [
      "US"
    ],
    "period": {
      "start": "2000",
      "end": "2018"
    },
    "universe": "大規模株式ポートフォリオ。期間は概略",
    "frequency": "論文ごとの分析頻度（書誌・抄録では詳細未確認）"
  },
  "findings": [
    {
      "label": "主要な観測結果",
      "effect": "分位点・エクスペクタイル偏差と正則化を組み合わせ、大規模ポートフォリオのテールリスク配分を検討する。",
      "value": null,
      "unit": null,
      "basis": "not_reported",
      "note_ja": "効果量は一次資料の表・定義まで検収していないため未収録。"
    }
  ],
  "replication": {
    "status": "not_assessed",
    "evidence": [],
    "note_ja": "独立した追試研究との対応は未評価。"
  },
  "caveats": [
    "jp_untested"
  ],
  "japan_applicability": {
    "status": "not_assessed",
    "note": "日本市場への適用可能性は本レコードでは評価していない。"
  },
  "summary_ja": {
    "body": "分位点・エクスペクタイル偏差と正則化を組み合わせ、大規模ポートフォリオのテールリスク配分を検討する。",
    "derivation": "original_summary",
    "reviewed_by": "operator",
    "reviewed_at": "2026-08-11"
  },
  "explainer_ja": {
    "one_liner": "銘柄数が多いポートフォリオで、分散だけでは捉えにくい大幅下落を抑えながら、推定誤差で配分が不安定になる問題をどう解くかを扱いますを検証した研究です。",
    "question": "銘柄数が多いポートフォリオで、分散だけでは捉えにくい大幅下落を抑えながら、推定誤差で配分が不安定になる問題をどう解くかを扱います。平均ではなく損失分布の端を直接評価します。",
    "method": "2000～2018年の大規模株式集合を用い、損失分布の分位点とエクスペクタイルに基づく最小偏差モデルを作ります。リッジとエラスティックネットの罰則を加え、無制約モデルとの配分安定性を比較します。",
    "result": "テール側の損失を目的関数へ直接入れ、正則化で過度な集中や推定の揺れを抑える選択法を示します。平均分散法の単純な置換ではなく、損失尺度と罰則の組み合わせごとの違いを評価した研究です。",
    "interpretation": "過去データ上でテール損失が小さい配分でも、未知の危機を予測したことにはなりません。罰則の強さ、推定窓、売買制約で構成は変わり、流動性や取引費用を含む実行可能性も別に確かめる必要があります。",
    "glossary": [
      {
        "term": "エクスペクタイル",
        "note": "損失の大小を非対称に重み付けして分布の端を捉える尺度です。"
      },
      {
        "term": "正則化",
        "note": "推定が複雑になり過ぎないよう係数や配分へ罰則を加える方法です。"
      }
    ]
  },
  "source_verification": {
    "level": "abstract",
    "checked_url": "https://doi.org/10.1080/14697688.2020.1820072",
    "checked_date": "2026-08-11"
  },
  "updated_at": "2026-08-11",
  "diagram_ja": {
    "type": "mechanism",
    "evidence_mode": "direction_only",
    "headline": "多数銘柄の配分で極端損失をどう抑えるか",
    "caption": "テール側の損失を目的関数へ直接入れ、正則化で過度な集中や推定の揺れを抑える選択法を示します。平均分散法の単純な置換ではなく、損失尺度と罰則の組み合わせごとの違いを評価した研究です。図は方向だけを示し、利益額の大きさは表しません。",
    "mechanism": {
      "steps": [
        {
          "label": "研究の問い",
          "note": "銘柄数が多いポートフォリオで、分散だけでは捉えにくい大幅下落を抑えながら、推定誤差で配分が不安定になる問題をどう解くかを扱います。"
        },
        {
          "label": "確かめ方",
          "note": "2000～2018年の大規模株式集合を用い、損失分布の分位点とエクスペクタイルに基づく最小偏差モデルを作ります。"
        },
        {
          "label": "分かったこと",
          "note": "テール側の損失を目的関数へ直接入れ、正則化で過度な集中や推定の揺れを抑える選択法を示します。"
        }
      ]
    },
    "profit_distance": {
      "observed": {
        "status": "supported",
        "note": "研究標本内で報告された方向です。"
      },
      "costs": {
        "status": "not_tested",
        "note": "売買費用を引いた利益は本レコードで未確認です。"
      },
      "replication": {
        "status": "not_tested",
        "note": "独立した別標本での追試は未評価です。"
      },
      "japan": {
        "status": "not_tested",
        "note": "日本市場での成立は検証していません。"
      }
    }
  },
  "aliases": [],
  "lint_waivers": [],
  "disclaimer_ja": "一般的な研究紹介であり、売買推奨・投資助言ではありません。"
}