Artificial Intelligence and Machine Learning for Stock Market Prediction: A Systematic Literature Review of Methods, Emerging Paradigms, Reproducibility, and Evaluation Gaps (2016-2026)
685件の研究（2016年–2026年）を対象としたこの系統的文献レビューは、AI駆動型の株式市場予測における進化、再現性、および評価のギャップを分析しており、データ漏洩、コード共有の欠如、および不十分な統計的検証といった広範な問題に起因する、報告されたモデルの精度と実用的な取引有用性との間の決定的な乖離を明らかにしている。
原論文は CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。 免責事項の全文を読む
株価の予測は極めて困難であることで知られている。株価は直線的に動くことはなく、しばしばノイズを含み、その振る舞いも時間とともに変化する。何十年もの間、経済学者たちは、未来は過去と似たようなものになるという仮定に基づいた単純な数学的規則を用いて、これらの動きを予測しようと試みてきた。しかし、コンピュータがより高速で強力になるにつれ、新しい世代の研究者たちが、混沌の中にパターンを見出すために人工知能を使用し始めた。機械学習モデルとして知られるこれらのシステムは、膨大な量の過去のデータを消化し、人間のアナリストが見逃してしまうような微細なシグナルを特定することができる。その約束は魅惑的である。もしコンピュータが株価がどちらに動くかを予測することを学べれば、多大な富を生み出すことができるからだ。しかし、その期待とは裏腹に、この分野はある執拗な問題に悩まされてきた。多くの研究が「勝利の方程式」を見出したと主張しているが、他の者がその研究を再現しようとすると、その結果はしばしば消失してしまうのである。
ある研究チームは、なぜ論文が報告する内容と実世界で実際に機能するものとの間にこのような乖離が存在するのかを理解するために調査を行った。彼らは、2016年から2026年までに発表された685件の科学的研究を対象とした大規模なレビューを実施し、人工知能が現在どのように株式市場の予測に使用されているかを検証した。彼らの仕事は、新しい予測モデルそのものを作るのではなく、むしろ分野全体に対する深い監査である。彼らは、どのようなコンピュータ・アーキテクチャが構築されているのか、手法が過去10年間でどのように変化したのか、そして最も決定的な点として、その結果が信頼できるものかどうかを調査した。数千ページに及ぶ研究を精査することで、彼らは、技術は急速に進歩しているものの、その技術が機能することを証明するための基準がそれに追いついていないという状況を明らかにした。
研究者たちは、この分野が単純な線形方程式をはるかに超えた段階にあることを発見した。レビューの初期段階において、研究は古い統計ツールや基本的な機械学習技術に依存していた。2020年代に入ると、主流のアプローチはディープラーニング、具体的には「長短期記憶（LSTM）」と呼ばれる一種のニューラルネットワークへとシフトした。これらのネットワークはイベントのシーケンスを記憶するように設計されており、株価のような時間に基づくデータの扱いに適している。実際、彼らが調査した研究の約90パーセントが、この種の技術のいずれかを使用していた。より最近では、大規模言語モデルがテキストを処理する方法を模倣したモデルや、異なる企業間の関係を巨大で流動的なウェブの中のノード（節点）として分析するシステムを含む、さらに複雑なシステムを採用し始めている。ツールの多様性は爆発的に増加しており、現在では研究者たちは、価格データにニュース記事、ソーシャルメディアのセンチメント、さらにはサプライチェーンのつながりまでも組み合わせて予測を行っている。
しかし、著者たちは、この複雑性の爆発が信頼性の同様の向上をもたらしていないことを発見した。彼らが研究の再現性（他の科学者が同じデータとコードを用いて同じ結果を得られる能力）について監査したところ、驚くべき不足が見つかった。685件の研究のうち、モデルを実行するために必要な実際のコンピュータ・コードを提供していたのは、わずか約7.6パーセントであった。大多数の研究者は、それらを生成するために使用したツールを共有することなく、研究結果を公表していた。これは、報告された成功の大部分が検証不可能であることを意味する。さらに、研究者たちは、意図的ではないにせよ、研究が不注意にエラーを導入してしまう5つの具体的な方法を特定した。一つの一般的なエラーは、モデルの訓練に「未来の情報」を使用することである。例えば、もし研究者が、データを訓練用とテスト用に分割する前に、10年間の全期間における最高値と最安値を使用してデータを正規化した場合、モデルは訓練フェーズ中に事実上「未来」を見ていることになる。これは高い精度という錯覚を生み出すが、モデルが未知の新しいデータに対して使用された瞬間に崩壊する。
また、このレビューは、ラボ内でのモデルのテスト方法と、実際の市場でのパフォーマンスとの間の乖離についても強調した。多くの研究は印象的な精度率を報告しており、時には株価の方向を90パーセント以上正しく予測できると主張することもある。しかし、これらの研究は、取引手数料や、トレーダーが支払いたい価格と実際に支払う価格の差といった取引コストを無視していることが多い。研究者たちが、これらの実世界の摩擦（フリクション）を含んだ研究を探したところ、そのようなものは極めて少ないことが分かった。加えて、ほとんどの論文は、自らの結果がランダムな確率よりも優れていることを証明するための厳格な統計テストを行っていなかった。代わりに、誤解を招きやすい単純な比較に頼っていた。著者らは、モデルが単に「昨日の価格を繰り返すこと」に長けているだけであれば、紙の上では天才のように見えるが、ライブ市場では一銭も稼げないというトリックであると指摘した。
こうした欠陥にもかかわらず、研究者たちは人工知能が金融において役に立たないと結論づけたわけではない。むしろ、彼らは、この分野は転換点にあると主張した。ツールは強力であるが、その使われ方や評価の仕方が、信頼するにはあまりにも緩すぎるのである。チームは、これらの問題を解決するための新しい基準を提案した。彼らは、研究者がコードとデータをオープンに共有すること、未来のデータが漏れ込まないように「ローリング・タイム・ウィンドウ（移動窓）」を用いてモデルをテストすること、そしてシミュレーションに取引コストを含めることを求めた。また、成功の主張は、単にグラフ上に高い数字を示すことではなく、正式な統計的証明によって裏付けられなければならないと主張した。これらの変化がなければ、この分野は、現実の経済的価値に結びつくことのない、派手な結果を生み出し続けるだろうと著者らは警告している。進むべき道は、最も複雑なアルゴリズムを追い求めることから、最も誠実で検証可能なものを構築することへの転換を求めている。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。