金融市場の価格は、景気・金利・心理など無数の要因に揺さぶられる。では、その不確実性の下で、どの仮説がデータと整合し、どの仮説が退けられるのか。ラーズ・ピーター・ハンセン（Lars Peter Hansen, 1952–）は、一般化モーメント法（GMM, 1982）を確立して、資産価格理論・マクロモデル・産業組織にまたがる構造推定の共通言語を与えた 。
さらに、確率割引因子（SDF）というレンズで資産価格を統一し、ハンセン＝ジャガナサン（HJ）境界、HJ 距離によって理論の適合性を測る基準を提示。
ハンセン＝サージェントの一連の研究では、ロバスト制御／モデル不確実性を政策設計に組み込み、「誤ったモデルのもとでも壊れにくい意思決定」を可能にした。
2013 年、ハンセンはユージン・ファマ、ロバート・シラーとともにノーベル経済学賞を受賞（「資産価格の実証的分析」）。
本稿は、経歴→主要理論（ GMM／SDF／HJ 境界／ロバストネス）→受賞理由と時代背景→世界・日本への影響→批判と限界→今日的意義（AI・不確実性・気候ファイナンス）まで、図解と実務チェックリストを添えて立体的に解説する。
1. 受賞者の経歴整理（出生地・学歴・主要ポスト）
出生：1952 年、米国イリノイ州シャンペーン。
学歴：
ユタ州立大学 B.S.（1974）
ミネソタ大学 Ph.D.（経済学, 1978）—「ミネソタ学派」計量マクロの洗礼を受ける。
主要ポスト：
シカゴ大学 経済学部・ブース経営大学院 David Rockefeller Distinguished Service Professor
Becker Friedman Institute（BFI）シニア・フェロー
主な業績の系譜（抜粋）：
Hansen (1982)：一般化モーメント法（GMM）
Hansen & Singleton (1982, 1983)：消費ベース資産価格モデルの GMM 推定
Hansen & Jagannathan (1991, 1997)：HJ 境界・HJ 距離
Hansen & Sargent (2001–, 書籍『Robustness』2008)：ロバスト制御／曖昧さ（ミススペック）
Hansen & Scheinkman (2009)：長期リスク分解（確率的割引のスペクトル解析）
小結：方法（GMM）、評価（HJ）、慎重さ（ロバストネス）で、「不確実性下の推論」を体系化した人物。
2. 主要理論・研究内容
3. 受賞理由と当時の経済状況（課題と答え）
3-1. 課題（1970–2010 年代）
資産価格理論は多様（CAPM、消費ベース、ハバード–メタ、習慣形成、長期リスク…）。横断的に比較し、データで選別する共通基盤が欠けていた。
モデルの取り違い（ミススペック）や弱い識別が、政策と投資の意思決定を脆くしていた。
3-2. ハンセンの答え
GMM という横断的な推定器で、モーメント条件→推定→過剰識別検定の一連の流れを確立。
SDF/HJ 境界で理論を一枚絵にし、何が無理で何が可能かを一目で示した。
ロバスト制御で、モデル不確実性を政策設計に内生化。
受賞の核：「不確実性下の推論」を金融とマクロに実装したこと。
4. 世界・日本への影響（政策・学問・日常）
4-1. 政策・規制
ストレステストやマクロプルーデンスに、ロバスト制御の考え方（最悪ケースへの耐性）。
年金・保険：長期リスクの分解と ALM（資産負債総合管理）への応用。
4-2. 学問・実務
統一言語としての GMM は、DSGE 推定、構造 VAR の制約、産業組織の推定に普及。
HJ 境界は、消費ベースモデル、習慣形成モデル、長期リスクモデルの比較表の土台に。
4-3. 日本の射程
公的年金・GPIF の長期ポートフォリオ評価で、長期成分のリスク価格を分解。
家計金融資産のリスク許容度推定、物価債・株式の SDF 感応度の可視化。
5. 批判と限界
弱識別・小標本問題：GMM は漸近に頼る。有限サンプルで過剰識別検定のサイズ歪みが起きうる。
楽器変数の質：弱い IV は推定をバイアスさせる。局所プロジェクションや強 IV 設計が要る。
SDF の不可観測性：SDF は観測不能。代理変数や因子の選択に研究者の裁量が入る。
ロバスト制御の保守性：悲観度を上げると過度に慎重な政策に傾くリスク。
分配・異質性：代表的主体の単純化では格差・流動性制約が薄まる。HANK 等の導入が進展。
位置づけ：ハンセンの枠組みは共通の“測り”。識別の質とデータ拡張で精度を上げるのが次世代の課題。
6. 今日的意義（AI・ビッグデータ・気候ファイナンス）
6-1. AI 計量との融合
機械学習は予測に強いが、因果と制約は苦手。GMM／SDF の構造に ML の特徴量を組み合わせるハイブリッドが主流に。
6-2. 気候リスクと長期割引
移行リスク・物理リスクを SDF 感応度で評価。長期の割引核を分解して、グリーン投資やカーボンプライスの資産価格効果を測る。
6-3. 政策のロバストネス
パンデミック・地政学ショックのモデル不確実性下で、最悪ケースに耐える財政・金融政策ルール設計へ。
7. 図解でつかむコア（概念）
8. ケーススタディ（応用）
8-1. 年金・SWF の長期運用
長期リスク分解と SDF 感応度で、エクイティ・インカム・インフレ連動債の役割を明確化。
8-2. 金融当局のストレス設計
ロバスト制御で、モデル取り違いに強い逆風シナリオを作成。資本・流動性バッファの水準を最小必要条件として設定。
8-3. 企業の投資採算
割引率を SDF 由来の因子で分解し、不確実性ショック（供給・需要・金融）のどれに脆いかを判別。
9. 研究の広がりと後継
Hansen–Heaton–Singleton：動学モデルの推定フレームを洗練。
Hansen–Sargent：曖昧さ・学習・レジームに拡張。
長期リスク：Bansal–Yaron 型とハンセン流の分解が相互参照的に発展。
テキスト・高頻度データ：SDF 因子の推定にニュース・SNS を投入する潮流。
10. FAQ（誤解の整理）
「GMM はブラックボックス？」→いいえ。モーメント条件が中心で、透明性が高い推定器。
「CAPM と消費モデルは別物？」 → SDF で見れば同じ枠の中に置ける（因子の違い）。
「ロバストは悲観主義？」→ いいえ。モデル不確実性の保険であり、過度な楽観を抑える安全装置。
11. 実務者チェックリスト（投資家・当局・研究者）
仮説 モーメント化：理論のコアを→ g(X,θ)=0 に落とす。
識別の健全性：強い IV、情報行列の条件、感度分析。
HJ ダッシュボード：収益の分散・共分散から必要最小 SDF ボラを算出。
ロバスト度 θ の校正：危機データで悲観度をキャリブレート、政策の過度保守化を避ける。
長期成分の可視化：割引核の分解で超長期リスクに備える。
12. まとめ 「測る技術」が理論と現場をつなぐ
ハンセンの貢献は、金融・マクロ・規制の境界を越えた計量の設計にある。 GMM は仮説検証の共通言語を、SDF／HJ は資産価格理論の共通座標を、ロバスト制御は政策の安全装置を与えた。AI と気候の時代に、不確実性の下で壊れにくい意思決定を支える設計思想は、これからも中心にあり続けるだろう。
さくらフィナンシャルニュース
YouTube
https://www.youtube.com/@sakurafinancialnews
この記事へのコメントはありません。