年率リターン23.79％、シャープレシオ2.22、最大ドローダウン9.58％。
こんな数字を出す投資戦略があったら、あなたはどうしますか。
しかも元ネタは2025年に発表されたばかりの学術論文。
さらに、その論文を読んで実装するのに、もはやプログラミングのスキルはほとんど不要です。
AIにPDFを渡して「この戦略をPythonで再現して」と頼めば、それなりに動くコードが返ってくる時代になりました。
最近、X（旧Twitter）やnote、Zennでは「ClaudeCodeで論文を投資戦略にしてみた」「ChatGPTに戦略を考えさせたら勝てた」という投稿が目に見えて増えています。
そして、その流れは確実に個人投資家の世界を変えようとしています。
ただし、です。
「バックテストで光る戦略ほど、本番では死ぬ」。
これは経験則ではなく、ほぼ統計的な事実です。
今回は、松尾研究所などのチームが2025年に発表した「日米業種リードラグ論文」（中川他, SIG-FIN-036-13）を題材に、AIで論文を投資戦略にする時代の可能性と、見落とされがちな限界を、丁寧にお話しします。
読み終わるころには、「AIが見つけた聖杯」というキャッチコピーに踊らされず、自分の頭で投資判断ができるようになっているはずです。
AIで投資先を決める時代が来た？
まず、2025年から2026年にかけて何が起きているのかを整理します。
ChatGPTやClaudeといったLLMが世に出て3年。
当初は「文章を書く道具」でしかなかったものが、今や「コードを書き、実行し、検証する道具」へと進化しました。
とりわけAnthropic社の「ClaudeCode」は、ターミナル上でAIエージェントが自律的にファイルを読み書きし、コードを実行し、バックテストまで回せる環境を提供しています。
実際、GMOインターネットグループの研究開発本部は、ClaudeCodeを使って投資戦略の生成・バックテスト・改善を自動でループさせる仕組みを試作しています。
Qiitaやnoteには、個人開発者がClaudeCode Skillsで「銘柄スクリーニング」「ポートフォリオ管理」「逆張り検出」などを自然言語で操作するシステムを公開する例が次々と出てきました。
東京大学の松尾豊教授率いる松尾研究所が2026年3月18日に発表した研究では、TOPIX 500の2014〜2022年データを用いて、Claude・GPT・Geminiの計8モデルに投資戦略の改善ループを回させたところ、Claudeは「既存戦略を保ちつつ局所修正で安定改善」、Geminiは「大胆に逸脱して分散が大きい」、GPTは「保守的でほぼ変更しない」という性格の違いまで観測されました。
つまりAIは「ただのコード生成器」ではなく、「投資家ごとに性格の異なるアシスタント」として、すでに実用フェーズに入っているわけです。
では、その武器を使って何を攻めるのか。 ここで本題の論文の登場です。
論文「日米業種リードラグ戦略」が示した衝撃の数字
中川慧氏（大阪公立大学・松尾研究所）らが2025年に発表した論文「部分空間正則化付き主成分分析を用いた日米業種リードラグ投資戦略」は、極めてシンプルかつ強力な仮説に立脚しています。
仮説はこうです。
日本市場と米国市場は取引時間が重ならない。だから、米国市場で確定したショックは、翌営業日の日本市場の寄付きから日中にかけて遅れて反映される。
言われてみれば当然のように聞こえますが、これを業種ETFレベルで体系的に取り出して投資戦略にしたのが論文の貢献です。
具体的には、日本側はNEXT FUNDS TOPIX-17業種別ETF（17本）、米国側はSelect Sector SPDR ETF（11本）。
米国の当日終値で確定した業種別リターンから、日本の翌営業日のOpen-to-Closeリターンを予測する。
予測のために、日米28本のETFの相関行列に「事前知識」を埋め込んだ部分空間正則化付きPCA（主成分分析）を適用し、グローバル要因・国スプレッド要因・シクリカル/ディフェンシブ要因という3つの経済的に意味のあるファクターを抽出する。
詳細な数式は割愛しますが、結果は以下の通りです（2010年〜2025年、論文表2より）。
| 戦略 | 年率リターン | 年率リスク | リターン／リスク | 最大ドローダウン |
|---|---|---|---|---|
| 単純モメンタム | 5.63％ | 10.59％ | 0.53 | 16.97％ |
| PCA（正則化なし） | 6.24％ | 9.94％ | 0.62 | 23.65％ |
| PCA（部分空間正則化） | 23.79％ | 10.70％ | 2.22 | 9.58％ |
| ダブルソート | 18.86％ | 11.16％ | 1.69 | 12.10％ |
さらに論文は、Fama-French 3ファクター、Carhart 4ファクターでリスク調整後のアルファを計測しても、提案戦略の年率アルファは22％超で1％水準で統計的に有意であると報告しています。
つまり、「マーケット要因」「サイズ」「バリュー」「モメンタム」では説明できない、独立した収益源泉が存在することを示唆しています。
これだけ見ると、まさに「聖杯」です。
「ClaudeCodeで論文を実装」が現実的になった
このテーマが盛り上がる理由は、単に論文の数字がよいからではありません。
ClaudeCode 、AI、論文という3つの流れが、きれいに重なっているからです。
論文には権威がある
インフルエンサーのよく分からない必勝法ではなく、数式があり、データがあり、学術的な形式があります。
投資家は「これは怪しい話ではなく、研究に基づく話だ」と感じやすいのです。
AIが実装ハードルを下げた
数年前まで、こうした学術論文を実装するには、以下のスキルセットが必要でした。
論文を読み解く統計学・線形代数の素養、Pythonとpandas・numpyを書ける手、ETFの日次価格データを取得して分割・配当を調整する仕組み、ローリングウィンドウで主成分分析を回すコード、ロングショートポートフォリオを組成し評価指標を計算するロジック。
これを全部、平日の夜と週末で書き上げるのは、現役のクオンツでなければ厳しい仕事でした。
ところが2026年現在、ClaudeCodeに論文PDFを渡して「この戦略を再現するPythonコードを書いて、バックテストして、結果を表にしてくれ」と頼むと、たった数時間でそれなりに動くものが返ってきます。
実際、note上で公開されている事例を見ると、「論文をまるごと食わせてバックテストまで自動化」「Claude Code Skillsで戦略をスキル化」「複数AIで反証する仕組みを実装」といった工夫が個人レベルで進んでいます。
聖杯を見つけたい投資家心理
第三に、投資家には「自分だけが早く見つけた歪み」に惹かれる心理があります。
聖杯ですね。
これは行動経済学的にも自然です。人は、損を避けたい一方で、他人が知らないチャンスを逃すことにも強い痛みを感じます。
つまり、今回のブームの正体はこうです。
「論文の権威」
「AIによる実装の容易さ」
「聖杯を見つけたい投資家心理」
この3つが重なった結果、日米リードラグ戦略は一気に魅力的に見えるようになったのです。
参入障壁が一気に下がった
これは、革命と呼んでよい変化です。
なぜなら、これまで運用会社や大学研究室の中だけで回っていた「論文 → 戦略 → 検証」というサイクルが、個人投資家の手元で再現可能になったからです。
中小企業診断士的に言えば「参入障壁が一気に下がった」状態です。
ただし、参入障壁が下がるということは、別の意味も持ちます。
誰もが同じ武器を手にしたとき、その武器の価値そのものが下がっていく、ということです。
なぜバックテストは「本番」で死ぬのか
ここで、私が一番伝えたいことを書きます。
AIで論文を再現するのは、技術的にはほぼ解決済みです。
問題は、「再現したバックテストの数字を、自分の口座で再現できるか」という、話です。
投資で最も危険なのは、「バックテストで勝てた」という言葉を、そのまま「本番でも勝てる」と読み替えることです。
バックテストとは、過去データを使って「もしこの戦略を実行していたらどうなったか」を検証する作業です。
これは非常に重要です。
しかし、バックテストは現実そのものではありません。
取引コストとスリッページが効いてくる
論文のバックテストは多くの場合、終値や寄付き値で「理論的に」約定したことにして計算されます。
しかし実際には、ETFのスプレッド、執行スリッページ、手数料が累積します。
特に日本の業種ETFは、TOPIX-17のうち一部は出来高が薄く、流動性リスクが無視できません。
たとえば1633.T（不動産）、1622.T（自動車・輸送機）の一部の銘柄では、機関投資家が大きなロットで動くと板が大きくズレます。
論文の戦略は等ウェイトのロングショートで毎日リバランスする前提ですが、これを個人が3分位（上位30％・下位30％）で執行しようとすれば、ロングショート両建てで往復2％の損失は覚悟しなければなりません。
年率23.79％のリターンは、コスト控除後で15％程度まで落ちる可能性があります。
ロングショートの空売りコストとレバレッジ規制
日本の業種ETFを空売りするには、貸株市場で借りる必要があります。流動性の薄い銘柄は逆日歩や貸株料が高く、年率2〜5％の調達コストが上乗せされます。
さらに、個人の信用取引には委託保証金率や代用有価証券の評価掛目という制約があります。
論文では「総アンサイドが2、ネット中立」のロングショートを組むことが前提ですが、これを個人で再現すると、レバレッジ規制と委託保証金維持率の壁にぶつかります。
そして最大の問題、「過学習」と「キャパシティ」
ここが本質です。
ClaudeCodeで戦略を書くと、AIは知らず知らずのうちにバックテスト期間に対して最適化してしまいます。
論文の著者たちはこの問題を理解しており、Cfullの推定に2010〜2014年だけを使い、2015年以降をテスト期間にするという工夫をしています。
それでも、ハイパーパラメータ（推定ウィンドウ60日、正則化λ＝0.9、ファクター数K＝3、分位q＝0.3など）は、ある種の「事後の知恵」で選ばれています。
このあたりが、AI 投資で最も見落とされやすいところです。
これは過学習の典型例で、AIに戦略を改善させるループを回すほど、データに対して都合の良い設定が選ばれてしまう構造的な問題です。
そして、もうひとつ。
論文の戦略が仮に本物だったとしても、参加者が増えれば収益機会は急速に消えます。
ETFスプレッド、空売り需給、相関構造そのものが、参加者の行動で変わってしまうからです。
これを金融工学の世界では「キャパシティ問題」と呼びます。
つまり、「論文を再現できる」と「儲かる」の間には、エベレストほどの差があります。
論文を実装した事例
実際、論文を再現実装したという記事では、コストゼロでは年率リターン18.36％、シャープレシオ1.87、最大ドローダウン13.16％だったものの、片道5bpsの取引コストを入れると年率リターンは1.94％、シャープレシオ0.20、最大ドローダウン23.44％まで悪化したと報告されています。
片道10bpsでは年率リターンがマイナス6.94％になったとも記されています。
さらに同記事では、ターンオーバーが年率約300回転だったことを問題視しています。
片道5bps、往復10bps、それを年300回行えば、年間コストは単純計算で30％になります。
年率18％程度の戦略であれば、コストだけで利益が消えるのは当然です。
別の方の検証記事でも、ETFベースで年率25.1％が再現できた一方、業種ETFの流動性の低さやスリッページが問題になり、個別株で代替すると年率12.3％に下がったとされています。
また、取引コストを考えると、わずかなコストでも成績が大きく悪化する点が指摘されています。
そもそもインデックス投資に負けていたとのデータも
＞＞テレ東Bizで話題の年利+23%の投資論文、本当に儲かるの？ AIで全部検証してみた
AI×投資の本当の使い道は？
ここまで読んで、「じゃあAI投資なんて意味ないのか」と思われたかもしれません。
そんなことはありません。
私が考える、AIと論文を組み合わせる「本当に意味のある使い方」は3つあります。
知識のアップデートツールとしての活用
1つ目は、知識のアップデートツールとしての活用です。
学術論文は最先端の運用知見が詰まった宝庫ですが、これまでは英語と数式の壁で個人は近づけませんでした。
AIに要約させ、批判的にレビューさせ、自分の知識と接続させる。
この使い方なら、過学習も執行コストも関係ありません。あなた自身の判断力が確実に上がります。
ポートフォリオ全体の整合性チェック
ふたつ目は、ポートフォリオ全体の整合性チェックです。
たとえば、自分が保有しているiDeCoのファンドとNISAの銘柄、特定口座の個別株が、本当に分散になっているのか。
日米のリードラグの観点で、米国セクターの動きが翌日の日本セクターに波及するなら、自分のPFは無意識に「同じファクターを二重に持っている」かもしれません。
AIに全資産の相関構造を分析させると、思いがけないリスク集中が見えてきます。
「やってはいけないこと」の検知
みっつ目は、「やってはいけないこと」の検知です。
Qiitaに公開されているClaudeCode Skillsの事例の中に、「過去の失敗をナレッジグラフに蓄積し、似た状況で警告を出す」というものがあります。
たとえば「決算前の期待買いで高値掴み」「PER37倍で割高判断したが業界平均でなかった」といった自分の失敗パターンを記録しておくと、次に似た判断をしようとしたときAIが警告してくれる。
これは「勝つためのAI」ではなく「負けないためのAI」の使い方であり、私はこちらの方がはるかに価値があると考えています。
企業経営でもそうですが、新しい儲け話を3つ拾うより、いま流れている損を1つ止める方が、トータルでは資産が増えることが多いんですよ。
聖杯はAIが書くのか？
冒頭の問いに戻ります。 「聖杯はAIが書くのか」。
私の答えは、「聖杯は存在しない、ただし聖杯探しは続ける価値がある」です。
矛盾しているように聞こえますか。 そんなことはありません。
論文の戦略は、おそらく本物のシグナルを捉えています。
日米市場の時差は物理的事実であり、情報伝播のラグも実証されています。
問題は、そのシグナルが「個人投資家が実際に運用できる規模で、コスト控除後に、十分な期間にわたって、再現できるか」という点です。
そしてこの「実装と現実の橋渡し」こそ、AIが最も得意な領域でもあります。
ClaudeCodeに論文を渡してバックテストを書かせるだけなら、誰でも30分でできます。
しかしそこから、自分の証券口座の制約、税制、コスト、リスク許容度、他の保有資産との相関を踏まえて「自分仕様」にカスタマイズする作業は、AIと人間の協働でしかできません。
これは経営計画を作るのと、同じ構造です。
フレームワークは無料で手に入る、でも経営者個別の状況に落とし込むところに価値がある。
聖杯を探すために、AIで論文を読み、戦略を試し、失敗を記録する。
そのプロセス自体が、あなたの投資家としての筋肉になります。
自分でやることに意味があるんですよ。
有料noteやAI診断に注意が必要
一つ注意したいのが、この手の仕組みが流行るとそれを逆手に取った詐欺や悪どい情報商材が横行することです。
AIと言われると聖杯がある、特別と考えてしまう方がいるようですが、基本は素人が書いたnoteや情報商材を買うくらいなら海外の著名投資家の書籍を買うほうが有用なんですよ。
例えばこうした言葉は、投資家の期待を刺激します。
「今日買うべき業種」
「AIが選んだ銘柄」
「論文ベースの高精度シグナル」
「ClaudeCodeで生成したポートフォリオ」
しかし、金融庁はSNS上の投資勧誘について、AI診断をうたい文句にウェブサイトへ誘い込み、分析レポートを配信すると偽ってSNSへ誘導し、投資話を持ち掛ける事例があると注意喚起しています。
また、登録番号の詐称や、既存の金融商品取引業者に似せた偽サイトへの誘導なども警告しています。
さらに金融庁の無登録業者リストには、「有望株自動選定AI Selection」「AI Referee」など、AIをうたうサービス名で投資助言業務を行っていたとされる事例も掲載されています。
もちろん、すべてのAI投資情報が怪しいわけではありません。
しかし、「AIだから安心」「論文だから安心」「有料だから信頼できる」と考えるのは危険です。
投資助言に該当するサービスなのか。
登録業者なのか。
実績はコスト控除後なのか。
バックテストなのか、実運用なのか。
損失が出たときの説明はあるのか。
ここは必ず確認すべきです。
たとえ聖杯を見つけても人には教えない
そして、なによりもAIを使って本当に聖杯を発見したならば人には教えないということを知っておきましょう。
前述したように「キャパシティ問題」がありますからね。
参加者が増えれば増えるだけ収益機会は急速に消えます。
有料noteで儲けるよりも、こっそりその聖杯で儲け続けるでしょう。
そこは肝に銘じておきましょう。
まとめ
最後にひとつだけ、実務的なアドバイスを。
もしあなたがClaudeCodeなどのAIツールで論文戦略を実装してみたいなら、いきなり実弾を入れないでください。
最低でも、以下のステップを踏むことをお勧めします。
論文をAIに要約させ、自分でも数式の意味を理解する。
バックテストを再現し、論文と同じ数字が出るか確認する。論文の前提（ウィンドウ長、ファクター数、分位）を変えて、結果がどれだけ変わるか見る（パラメータ感応度の確認）。
コスト・スリッページ・空売り料を保守的に織り込む。論文期間外（2026年以降）でフォワードテストを最低6カ月。
それでも光るようなら、生活に影響しない少額で実弾検証。
このステップを踏むだけで、9割の「AIで見つけた聖杯」は、ふるいにかけて消えていきます。
残った1割も、過学習と発覚されていない執行コストで、半分は本番運用で死にます。
それでもなお生き残った戦略があったとしたらおめでとうございます、
あなたは本物のクオンツの仲間入りです。
私は、こうした「派手なリターン戦略」よりも、「コツコツ積み上げる節税・配当・株主優待・社会保険最適化」のほうを推しています。
なぜなら、後者には過学習がないからです。法律と制度は、明日のバックテストでガラリと変わったりしません。
ただ、AIで論文を読み解き、自分の頭で吟味するという営みは、長期投資家にとっても確実にプラスになります。
「世の中で何が起きているのか」を最も鮮度高く知る方法のひとつだからです。
聖杯は、おそらくありません。
でも、聖杯を探す旅の途中で身につくものこそ、本当の資産です。
その旅に、AIは強力な相棒になります。
ただし、AIにすべてを委ねた瞬間、あなたは旅人ではなく、ただの観光客になってしまうのです。
そこだけは、忘れないでいてください。
にほんブログ村
