制御変量法シミュレーター

金融工学・デリバティブ評価：制御変量法が最も活躍する分野の一つです。算術平均アジアオプションには閉形式解がなくモンテカルロで価格を求めますが、幾何平均アジアオプションには解析解（ブラック・ショールズ型）が存在します。両者の相関は非常に強い（ρ が 0.99 を超えることも多い）ため、幾何平均オプションを制御変量にすると、価格推定の標準誤差が10分の1以下に縮みます。バリアオプションやバスケットオプションの評価でも同様の手法が標準的に使われます。

保険数理・リスク計算：保険会社が支払総額の分布や VaR（バリュー・アット・リスク）をモンテカルロで評価する際、簡略化した近似モデル（例えば正規近似や独立性を仮定したモデル）を制御変量に使います。近似モデルは解析的に期待値が計算でき、本来のモデルと強く相関するため、必要なシナリオ数を大幅に削減できます。

CAE・確率的シミュレーション：構造解析や流体解析で材料物性・荷重・寸法のばらつきを考慮する確率論的設計（モンテカルロFEM）では、1回の解析が高コストです。低次の近似モデル（線形応答曲面、粗いメッシュ、簡略化した1自由度モデル）を制御変量にすると、同じ信頼区間幅を得るのに必要な高精度解析の回数を数倍減らせます。多数回の解析が必要な信頼性解析・ロバスト設計で特に効果的です。

機械学習・勾配推定：強化学習の方策勾配（REINFORCE）やベイズ深層学習では、勾配を確率的に推定します。この推定は分散が非常に大きく学習が不安定になりがちです。そこで「ベースライン」と呼ばれる制御変量を導入し、報酬から状態価値の推定値を差し引くことで勾配推定の分散を下げます。これは制御変量法と数学的に同じ枠組みであり、安定した学習の鍵になっています。

まず最大の誤解が、「制御変量法は推定値そのものを変える＝バイアスを生む」というものです。実際には逆で、制御変量推定量 θ_cv は通常推定量 θ と同じ真の期待値を持つ不偏推定量です。E[X] が既知である限り、X̄ − E[X] の期待値はゼロなので、どんな係数 c を掛けて引いてもバイアスは入りません。このシミュレーターでも、通常MC推定値と制御変量推定値はどちらも真値（0）を狙っており、変わるのは「ばらつきの幅」だけです。減るのは誤差であって、的の中心はずれません。

次に、「最適係数 c* はサンプルから推定するからバイアスが出る」という点。理論上の c* = Cov(X,Y)/Var(X) は母集団の値ですが、実務では同じサンプルから c を推定します。これは厳密には微小なバイアスを生みますが、サンプル数が増えれば無視できる大きさになり、実用上はほぼ問題ありません。気になる場合は、c の推定に使うサンプルと推定に使うサンプルを分ける（パイロットラン方式）ことでバイアスを完全に消せます。なお負の相関でも c は負になるだけで、分散低減率は ρ² なので符号によらず同じだけ効きます。

最後に、「相関が弱い制御変量を使うと逆効果になる」という誤解。最適 c* を使う限り、分散は必ず (1−ρ²) 倍以下、つまり ρ がゼロでも分散は増えません（ρ=0 なら効果ゼロで現状維持）。害が出るのは、c を最適値から大きく外して固定したときだけです。一方で「制御変量を計算する追加コスト」は別問題で、X の評価が Y と同じくらい重ければ、分散低減率 ρ² が大きくても実効的な高速化は目減りします。ρ² だけでなく「X の計算コスト」も含めて、本当に得かを判断してください。