Alpha Decay Detection

What is alpha decay detection, and how does it relate to the backtest overfitting discussed earlier in this series?

When this series broke down backtest overfitting earlier, it addressed a validation problem before a strategy goes live — making sure the strategy is capturing a genuinely repeatable market pattern before going into production, not just noise from a specific past period. Alpha decay detection deals with a completely different problem that only emerges after a strategy has gone live: even a strategy that passed rigorous out-of-sample validation at the time, genuinely capturing a real market pattern that truly existed, that pattern itself is never guaranteed to persist forever — market structure evolves over time, and a pattern that once worked can get arbitraged away as more people adopt the same strategy, or lose its profit opportunity as market infrastructure changes.

This means a strategy, even with zero overfitting problem whatsoever, can still gradually see its performance worsen over the long run. This phenomenon of "performance naturally decaying over time" is a different question in a different time dimension from the one-time judgment of "is this strategy overfit" — overfitting is quality control before going live, and alpha decay detection is ongoing monitoring after going live.

Why is a dedicated detection mechanism needed — can't declining returns alone tell you a strategy has decayed?

Using declining returns alone as the judgment basis has an obvious lag problem — strategy decay is usually a gradual process, and if you only treat "return figures clearly turning negative" as the warning sign, you'll have to wait until the strategy has already substantively lost money for some period before recognizing the problem exists — losses accumulated during that waiting period could have been avoided with an earlier signal. Another problem: short-term return fluctuations have a genuinely random component, and even a strategy that hasn't actually decayed can still show a few weeks of poor performance from ordinary market volatility. Judging a strategy failed based purely on declining returns risks misjudgment, prematurely abandoning the strategy while it's still healthy.

Dedicated statistical detection methods typically track multiple dimensions simultaneously rather than looking at return alone — whether a strategy's win rate shows a statistically significant declining trend, whether the price gap or arbitrage space the strategy captures is systematically shrinking over time, whether the strategy's slippage cost keeps rising as more competitors adopt similar strategies. These more granular indicators usually catch early decay signals sooner than the raw return figure alone, and are also less likely to be misled by short-term random fluctuations.

アルファ逓減の検出は実際どのように機能し、具体的にどんな統計的手法がありますか？

一般的な方法の一つはローリングウィンドウ分析である——戦略の過去のパフォーマンスを複数の時間ウィンドウ（1週間を1ウィンドウとするなど）に分割し、直近のウィンドウのパフォーマンスと、より初期のウィンドウのパフォーマンスとの間に統計的に有意な差があるかを継続的に比較する。直近のウィンドウの勝率やリターン率が、戦略の稼働初期と比較して持続的な（偶発的ではない）下落傾向を示している場合、これは逓減の統計的シグナルである。もう一つの一般的な方法は、戦略が捉える「元のシグナル強度」を監視することである——例えば裁定戦略であれば、毎回のエントリー時に実際に存在する価格差の幅を継続的に追跡できる。この価格差の幅が時間とともに系統的に縮小している場合（たとえ戦略のロジックが全く変わっていなくても）、市場自体が提供する機会が減少していることを意味する。これはリターン率よりも早期の逓減シグナルである。なぜならリターン率の低下は通常、価格差が縮小してからしばらく経った後に反映される結果だからだ。

より高度な方法では、市場の構造的な変化の監視も組み合わせる——例えばこの戦略が利益を得ている市場セグメントに、ますます多くの資金やますます多くの類似した戦略が流入しているかを追跡する（類似した取引パターンの資金規模の変化をオンチェーンデータを通じて観察できる）。この「市場の混雑度」の変化は、しばしば戦略の逓減の先行指標であり、戦略自体のパフォーマンス数値よりも早く警告を発することが多い。

アルファ逓減の検出は一般ユーザーにどのような実際の影響を与えますか？DeFAI製品の評価と継続的な監視にどう応用すればいいですか？

利用しているDeFAI製品が戦略逓減の監視指標を積極的に公開している場合（単なるリターン曲線だけでなく）、これは加点すべき透明性のシグナルである——このチームが「戦略が今どれだけうまくいっているか」だけでなく、「戦略が将来失効する可能性がある」という構造的な現実にも真剣に向き合っていることを示している。どのDeFAI製品を評価する際も、直接尋ねる価値がある：このプラットフォームには内部の戦略逓減監視メカニズムがあるか、逓減シグナルを検知した場合プラットフォームはどんな対応措置を取るか（その戦略への資金配分を減らす、戦略を一時停止する、パラメータを調整するなど）、そして過去に逓減シグナルによって積極的に行動を取ったことがあるか。

自分が継続的に利用している製品については、アルファ逓減検出の核心的な概念を借りて、自分自身の簡略版監視習慣を構築することもできる——定期的に（毎月など）この戦略の最近のパフォーマンスを振り返り、使い始めた頃のパフォーマンスと比較する。持続的で偶発的ではない下落傾向に気づいた場合、明らかな連続損失が現れるまで待つ必要はなく、投入ポジションを減らすか使用を一時停止することを早めに検討できる。この習慣自体は、どんな精密な統計モデルよりも一般ユーザーが実際に実行しやすく、実用的な早期警告効果も提供できる。