
経済の変化を早く捉えるために、36社の「経済センサー」を選んだ
▶︎ 関連する前回の記事:投資テーマを早く捉えるための、7つの観測面
前回は、企業を「経済センサー」として観測するために、経済を7つの観測面に分けました。
今回は、その7つの観測面にどの企業を置くかを決めます。
企業を経済センサーとして使うなら、知名度の高い会社を並べればよいわけではありません。必要なのは、変化を継続して読めること。同じ需要源に偏らないこと。そして、一つの変化を複数の場所から確認できることです。
そのための最初の Economic Sensor Universe として、米国18社、日本18社の計36社を選びました。別に14社の予備候補も持っています。
ただし、この36社は完成版ではありません。
どの企業が本当に優れた経済センサーなのかを検証するために、いったん固定したMVP版の観測網です。
当初は、北米、欧州、日本、中国、韓国・台湾まで対象を広げ、200社超の候補から恒久的なUniverseを作ることも考えていました。
しかし、設計を進めるほど、まだ分からないことが多いと気づきました。
どの観測面が最も早く構造変化を表すのか。設備投資、受注、Backlog、供給能力、物流量のどれが転換点に強いのか。数値と経営者の説明変化では、どちらが早いのか。
それが分からない段階で完成版を精密に作っても、設計の前提自体が間違っているかもしれません。
そこで方針を変えました。
最初から正しいUniverseを作るのではなく、正しいUniverseを学べる観測網を先に作る。
今回は、その設計までをまとめます。
Economic Sensorは、何を発見する仕組みなのか
Economic Sensorが最初に答えたいのは、
経済のどこかで、何かが変わっているか。
という問いです。
需要の立ち上がりや減速、設備投資の加速や延期、受注やBacklogの変化、供給能力、物流量、信用環境。こうした変化を、企業の一次資料から継続的に追います。
一方で、その変化を市場がまだ織り込んでいないか、どの企業に利益が帰属するか、現在の株価に投資妙味があるかは、その後の問題です。
つまり、Economic SignalとInvestment Alphaは分ける。
経済を観測するうえで重要な企業と、最終的な投資対象は一致しなくて構いません。Economic Sensorは銘柄を選ぶ装置ではなく、経済の変化を発見する装置です。
テーマは入力ではなく、出力にする
この仕組みでは、テーマ名を先に与えません。
普通のテーマ投資では、AI、データセンター、電力不足、防衛、半導体といったテーマを先に決め、関連企業を探します。それ自体は合理的な方法です。
ただ、「まだ名前の付いていない変化を見つけたい」と考えると、テーマを先に置くことがバイアスになります。
最初からAIを探していれば、AIに関する情報が集まります。その結果としてAIが見つかっても、本当に企業行動からテーマを発見したのか、最初から探していたから見えただけなのかを区別できません。
そこで順序を逆にします。
Economic Function
→ Sensor Company / Segment
→ Observable / Action / Narrative Delta
→ Signal
→ Cross-company / Cross-function Confirmation
→ Theme Hypothesis
→ Research Candidate
まず「経済のどこを見るか」を決め、次に「そこで何を見るか」を決める。テーマ名は、複数の証拠が収束した後に付けます。
以前はこの考え方を「Action-first」と呼んでいましたが、現在は Function-first と整理しています。
経済を7つの観測面に分ける
Economic Sensor Universeは、単なる企業リストではありません。
基本単位は、
Economic Function × Sensor Company / Segment × Observable Metric
です。
企業が重要だから採用するのではなく、特定の経済機能の状態を、一次資料から継続的に読み取れるから採用する。
そのため、企業名だけを置いてもセンサーにはなりません。どの経済機能を、どの指標で観測するのかまで決める必要があります。
現在は、経済活動を次の7つのFunctionから見ています。

F1|需要・利用主体
需要を生み、支出を決める側です。設備投資、販売量、利用量、店舗数、能力増強などを見ます。
F2|財・サービス供給
需要を受けて、受注や供給が動く側です。受注、Bookings、Backlog、Book-to-bill、地域別販売などを見ます。
F3|重要投入財供給
素材・部品・装置など、供給能力や制約が現れる側です。生産能力、稼働率、出荷量、価格、製品構成などを追います。
F4|基盤インフラ提供
電力、通信、データセンター、輸送など、経済活動の前提となる容量を提供する側です。
F5|統合・建設
計画を、実際の設備やインフラとして実装する側です。受注、Backlog、RPO、手持工事高などを見ます。
F6|流通・仲介
財や情報が実際にどれだけ動いているかを見る側です。荷物量、鉄道貨物、航空貨物、海上輸送量などを追います。
F7|金融・リスク供給
資金供給と経済全体のリスク許容度を見る側です。貸出、預金、債券発行、信用環境などを観測します。
F1からF7の番号に因果順序はありません。どのFunctionが先に動くかは、構造変化ごとに異なります。
今回選んだ36社
今回のMVPでは、米国18社、日本18社を採用しました。

F1|需要・利用主体
米国:Amazon / Ford / ExxonMobil / Walmart
日本:トヨタ自動車 / ソニーグループ / INPEX / セブン&アイ
F2|財・サービス供給
米国:Eaton / Trane Technologies / Caterpillar
日本:日立製作所 / 三菱電機 / ダイキン工業
F3|重要投入財供給
米国:NVIDIA / Nucor / Freeport-McMoRan
日本:日本製鉄 / 信越化学工業 / SUMCO
F4|基盤インフラ提供
米国:Digital Realty / NextEra Energy
日本:NTT / 東京電力HD
F5|統合・建設
米国:Quanta Services / MasTec
日本:鹿島建設 / 大林組
F6|流通・仲介
米国:FedEx / Union Pacific
日本:NX Holdings / ヤマトHD
F7|金融・リスク供給
米国:JPMorgan Chase / Goldman Sachs
日本:MUFG / SMFG
重要なのは、この36社が「世界で最も重要な企業」でも、「今後上がると思っている銘柄」でもないことです。
選んでいるのは、良い企業ではなく、良い観測点です。
なぜ、この36社なのか
企業を選ぶとき、最初に企業名から考え始めると、知名度や自分が知っているテーマに引っ張られます。
そこで、企業より先に観測枠(Cell)を置きました。
基本単位は、
地域 × Economic Function × coverage lane
です。
「NVIDIAを入れよう」「Amazonを入れよう」ではなく、「この地域の、このFunctionの、この経済経路に観測点があるか」という順番で考えます。
候補群として、まず米国25社、日本25社の計50社を用意しました。そのうえで、各社について次を確認しました。
どのEconomic Functionを観測できるか
同じ経済経路の候補と比べて十分な規模があるか
四半期や月次で継続して追える指標があるか
既存の観測点と同じ顧客・需要源に偏っていないか
追加することで新しい観測面が増えるか
一つの変化を複数企業・複数Functionから確認できるか
規模は、センサーとしての優劣を決めるものではありません。候補を一定ルールで比較するための補助指標です。
最も重視したのは、
その企業を加えることで、新しい独立した観測点が増えるか。
という点でした。
同じ需要源を見ている企業を何社追加しても、社数ほど視野は広がりません。
一方で、需要側だけでなく、供給側、素材、インフラ、建設、物流からも同じ変化を確認できれば、一企業の特殊事情と、より広い構造変化を区別しやすくなります。
既知テーマに偏っていないかも事前検査する
MVPが特定テーマにしか反応できない構造になっていないかを確認するため、5つのcoverage laneを置きました。
Digital・Compute
電力・電化
産業・製造
Mobility・物流
素材・資源・建設
これは投資テーマの候補ではありません。観測網そのものの偏りを検査するための経済経路です。
事前検査では、Digital・Compute、電力・電化、産業・製造、素材・資源・建設はPASS。Mobility・物流だけはCONDITIONAL PASSでした。
たとえば鉄鋼需要が強くても、それを自動的に自動車需要へ帰属させることはしません。共通する需要要因と方向・期間が一致した場合だけ、その証拠をMobility側として扱います。
14社では薄すぎた
一度は、米国と日本それぞれ7 Functionに一社ずつ置く14社案も検討しました。
データ取得の試験だけなら、それでもできます。しかし、構造変化を検出するには薄すぎました。
一社の受注増加は、その企業だけの特殊事情かもしれません。
需要側でも設備投資が増え、供給側でも受注が増え、素材側でも能力増強が起き、インフラ側でも容量増強が始まっている。異なる場所から同じ変化が見えて初めて、構造変化らしさが出てきます。
つまり、MVPには個社要因と構造変化を区別できるだけの厚みが必要でした。
ここで、MVPの意味も変わりました。
MVPで最小化すべきなのは企業数ではない。正しい設計へ近づくための学習コストである。
その結果が36社です。
社数ではなく、「独立した証拠」を数える
36社まで増やしても、まだ問題があります。
同じ需要源を見ている企業が10社あれば、それを10個の証拠と数えてよいのか。同じ企業で設備投資と売上が伸びたら、2つの独立Signalと見なしてよいのか。
おそらく違います。
そこで、収束判定には Independent Evidence Unit(独立した証拠単位) という考え方を使います。

数えるのは企業数や開示件数ではありません。
本当に独立した場所から得られた証拠か。
同じ顧客群、同じ需要要因、同じ設備投資案件を反映しているものは、情報としては残しますが、独立性を過大評価しません。
同じものを違う企業から何度も見ているだけなら、観測点が増えても視野は広がっていない。
また、一社が複数のFunctionとして読める場合もあります。
たとえば半導体企業でも、自社の設備投資を見るなら需要側、供給能力を見るなら投入財供給側として読むことができます。
ただし、それをそのまま収束判定に使うと、一社だけで複数Functionを満たしてしまいます。
そこでMVPでは、収束判定で代表させるFunctionを一社につき一つに固定します。ほかの情報は残しますが、独立Evidenceとしては重複カウントしません。
売上より前に現れる「行動」を見る
Economic Sensorで見たいのは、最終的な売上や利益だけではありません。
その前に現れる企業行動を重視します。
たとえば、
設備投資の実績・計画
受注、Bookings、Backlog、RPO
能力増強、稼働率
調達、長期契約
新拠点、施設、建設
採用、人員配置
出荷、物流量、処理量
貸出、発行、信用環境
です。
経営者が「需要は強い」と言うだけなら、まだ弱い。
長期契約を結ぶ。工場を建てる。人を採る。設備を稼働させる。
そこまで進むほど、企業は簡単には引き返せなくなります。
Economic Sensorでは、この取り消しコストを企業行動の強さとして見ます。何を言っているかだけでなく、どこまで資源をコミットしたかを見るわけです。
経営者の言葉は「差分」で読む
Narrativeも使います。ただし、「強気だった」「慎重だった」といった印象ではなく、前回から何が変わったかを見ます。
新しいEnd Marketへの言及が出た。供給制約への言及が強くなった。顧客の前倒しが始まった。契約期間が長くなった。能力増強への表現が「検討」から「実行」へ変わった。
重要なのは、一四半期の形容詞ではありません。
前回から何が変わったか。
その変化を、現在は主に3つの軸で見ます。
Delta:前期や前年から何が変わったか
Acceleration:変化率そのものが加速したか
Persistence:同じ方向のSignalが続いているか
一回だけの急変なのか、継続的な変化なのかを区別するためです。
また、結果を見てから同じrunの閾値を書き換えることはしません。
Evidenceを見る → Decisionを残す → 閾値のversionを上げる → 次のrunから適用する
という順で扱います。
テーマ名を付けるのは、証拠が収束した後
一社だけでも強い変化が出たら、その情報は残します。ただし、その一社だけで「新しいテーマを発見した」とは判断しません。
段階は、
Single Sensor
→ Emerging
→ Converging
→ Theme Hypothesis
→ Research Candidate
と進めます。
複数の独立した証拠が、異なるFunctionで同じ需要要因へ収束してきたらConvergingです。そこで初めてテーマ名を付けます。
テーマ名を付けるのは、Convergingの後。
しかも、説明は一つに決め打ちしません。
たとえばデータセンター関連企業の受注が伸びていても、AI需要なのか、既存クラウド投資なのか、電力制約への対応なのか、大型案件のタイミングなのか。複数の説明があり得ます。
そのためTheme Hypothesisには、競合する説明と、それを区別する次の観測まで残します。
仮説を作るだけでなく、仮説を区別する次の観測を決めるところまでを一つのプロセスにします。
Universeをどう運用・更新するか
36社を決めても、毎回すべてを精読していては運用できません。
そこで処理の深さを段階化します。
広くスクリーニング
→ 変化検知
→ 独立Evidenceの確認
→ 一次資料の深掘り
最初は定型数値や短いコメントを広く見る。変化が立った企業だけ、Presentation、Transcript、セグメント注記、Investor Day資料へ進みます。
つまり、企業数を極端に絞るのではなく、読む量を絞る。
Universeを狭くしてBlind Spotを固定するより、広く浅く見て、変化があるところだけ深く読む方が目的に合います。
Universeは3層に分ける
概念上、Universeは次の3層で設計しています。
Core
毎サイクル継続して観測するSensor。今回の36社です。
Domain
特定領域の解像度を上げるSensor。Coreを回した後に必要に応じて導入します。
Triggered
Signalが立った後、その仮説を詳しく見るため一時的に追加するSensorです。
Triggeredには制約があります。
仮説が出た後で、その仮説に都合のよい企業を追加し、その企業まで使って「複数Functionで収束した」と数えることはしません。
それを許すと、仮説を立てる → 仮説に合う企業を追加する → その企業が仮説を支持する → 収束したと判断する、という自己成就が起きるからです。
通常の収束判定に使うのはCoreだけです。
また、採用Sensorが取得不能になった場合に備え、14社の予備候補も置いています。
Microsoft / Honda / Honeywell / コマツ / Dow / JFE / Equinix / KDDI / EMCOR / 大成建設 / UPS / 日本郵船 / Bank of America / みずほFG
ただし、自動で入れ替えはしません。人間が判断し、Universeのversionを変更します。
後知恵で過去を書き換えない
バックテストでも通常運用でも、その時点で公開されていた情報だけを使います。
後から追加した企業を過去runへ入れない。変更したFunction分類を遡及適用しない。新しい閾値で過去結果を書き換えない。
UniverseもSignal条件も、versionごとに凍結します。
Universeは観測結果から更新する
今回の36社は最終回答ではありません。
実際に回せば、この企業は思ったより遅い、この指標は定義変更が多い、Narrativeの方が数値より早い、このFunctionではSensorが足りない、米日だけでは見えない需要がある、といった欠点が出てくるはずです。
そのEvidenceを使って、次のUniverseを作ります。
期間が経ったから広げるのではありません。
Blind Spotや処理上の限界が観測されたときに、初めて広げる。
最初の実験で確かめること
今回のMVPで確かめたいことは、大きく4つです。
1|テーマを先に与えず、共通変化を見つけられるか
複数企業・複数Functionから、共通する変化を生成できるか。強い単独Signalを残しながら、個社要因をテーマへ誤昇格させずに済むか。
2|どの企業と指標が、本当に先行するのか
どの企業が先行し、どの企業は確認役なのか。どのObservableが継続的に使えるのか。
3|数値とNarrativeのどちらが早いのか
企業行動の取り消しコストは実体変化に対応するのか。Delta、Acceleration、Persistenceのどの組み合わせが有効なのか。
4|どこにBlind Spotと運用上の限界があるのか
どのlaneに恒常的な空席が出るのか。米日だけでは何が見えないのか。36社を毎サイクル継続して回せるのか。
この4点が見えれば、「どの企業を追加すべきか」も、今よりずっと根拠を持って決められるはずです。
まとめ――36社は「答え」ではなく、最初の観測網
今回作ったのは、完成版のUniverseではありません。
米国18社、日本18社の36社をCoreとして固定し、Economic Sensorという仕組みが本当に機能するのかを確かめるためのMVPです。
今回の設計で重視したのは、企業数そのものではなく、独立した観測点を持つことでした。
企業より先に観測枠を置く。
一社の変化ではなく、複数の独立Evidenceを見る。
売上や利益だけでなく、その前に現れる企業行動を見る。
テーマ名は、証拠が収束した後に付ける。
そして、観測で見つかった欠点を次のUniverse設計へ戻す。
36社は答えではありません。
答えをつくるために、いったん固定した観測網です。
次は、この36社を実際に動かしてみます。