3. AI × 市場予測（Market Forecasting）

市場予測は「Finance × AI」を語るうえで最も関心を集めるテーマのひとつです。 しかし、金融の現場で最初に確認される結論はとてもシンプルです。

「AIを使っても、株価は完全には当たりません。」

さらに重要なのは、金融実務では 「当てること自体が目的ではない」 という前提があることです。

では、なぜ金融は市場予測に AI を使うのか。本章ではその本質を整理します。

3-1. 結論：「AI で株価は当たるのか？」への金融の答え

AI を市場予測に適用しようとすると、誰もが一度は 「AI なら相場を当てられるのでは？」 と考えます。

しかし、金融実務における答えは明確です。

• 完全には当たらない。
• そもそも“当てること”を目的にしていない。

市場はランダム性が強く、構造変化も頻繁に起きるため、 「完全予測」を前提にしたモデルは成立しない のです。

AI の価値は、当てることではなく
“外れ方を理解し、リスクに備えること” にあります。

3-2. 市場予測の理論的前提：EMH とデータのクセ

市場予測を考えるうえで避けて通れないのが 効率的市場仮説（EMH） です。

• 市場価格には利用可能な情報がすべて織り込まれている
• よって短期的な価格予測は本質的に困難

現実の市場は完全に効率的ではないものの、 「予測には限界がある」 という前提は AI モデルを扱ううえで極めて重要です。

さらに、市場データには次のような強いクセがあります。

• トレンド
• 季節性
• ノイズ（ランダムな揺らぎ）

特に金融データはノイズが圧倒的に大きく、 信号（Signal）よりノイズが支配しがち です。

このため AI を使うと、一見それらしい予測が出ても、 実態はランダムに近いモデル になりやすいのです。

3-3. モデル比較：統計 vs 機械学習 vs 深層学習

市場予測では、各モデルに明確な得意・不得意があります。

① 統計モデル（ARIMA・移動平均など）

• シンプルで解釈しやすい
• 安定しているが非線形や構造変化に弱い
• 「最低限、これには勝つべき」というベースライン的存在

② 機械学習モデル（Random Forest・LightGBMなど）

• 非線形・高次元データに強い
• ただし時系列構造をそのまま扱えず、過学習しやすい
• 特徴量設計が命

③ 深層学習モデル（LSTM・Transformerなど）

• 時系列の依存関係を学習できる強力なモデル
• 平常時は高精度だが、危機局面で誤差が急増しやすい
• 金融市場では危機時こそリスクが最大化するため、平常時だけ強いモデルは実務で使えない

3-4. なぜ AI は危機時に壊れるのか

深層学習モデルが危機時に壊れてしまう理由はとても単純です。

AIは「過去のパターン」を学習しているから。

市場の危機（リーマンショック、コロナショックなど）は、 過去にない非連続イベントとして発生します。

• 学習データに存在しない状況
• → 前提が崩壊
• → 誤差が急増
• → リスクを過小評価する危険なモデルになる

つまり、危機時の弱さは “AI の本質的限界” なのです。

3-5. 実務での評価：見るべきは「当たり」ではなく「外れ方」

市場予測モデルを評価する際、通常の機械学習のように RMSE などの精度指標だけを見るのは危険です。

金融で本当に重視されるポイント：

• 残差（誤差）分布：正規か、歪んでいないか
• 極端値への耐性：危機時に誤差が跳ね上がらないか
• 時系列の安定性：特定期間だけ「まぐれ当たり」になっていないか

これらはすべて 「モデルがどう外れるか」 を見る評価指標であり、金融ならではの視点です。

実務では、AI が単独で意思決定することはありません。

統計モデルや VaR（Value at Risk）と組み合わせ、
人間が最終判断を行う“補助的な役割” として組み込まれます。

3-6. まとめ：「当てる AI」から「備える AI」へ

市場予測における AI の本質：

• AI は市場を完全に当てるためのものではない
• 外れ方を理解し、不確実性を可視化するための装置
• モデル単体ではなく、リスク管理の一部として扱う
• 危機時の挙動こそ最重要
• 目的は「精度」ではなく “リスクへの備え”

一言で言えば、AI は
「未来を当てる道具」ではなく、「不確実性に備える道具」 なのです。