
AIは賭けに勝てるか——「何が必要か」で読み解く、勝つための条件
※ 本稿は筆者個人の意見です。どこの団体を代表するものでもございません。数値やデータが間違ってたらごめんなさい。
前編(X)では、宝くじ、ポーカー、競馬、株・FXを取り上げました。そこで示したのは、「AIで賭けに勝てるか」は、AIの性能よりも先に「誰を相手にするか」で決まるという見方です。なお、Qiitaではプログラムを書いて検証したテックブログ『AIは賭けに勝てるか【検証編】——6万試合の実データ、ポーカーAI、本物のLLMで勝因と敗因を分解する』も公開しています。合わせてご参照ください。
相手は「数学」「人」「胴元」「市場」の4つに分けられます。さらに金融市場には、味方になりうる5つ目の要素として「リスクプレミアム」があります。
後編では、この見取り図を定量的な命題に置き換えます。「勝てる」を期待値・検証・執行の3つの水準に分け、それぞれについて次の3点を整理します。
何が成り立てば勝てるのか(必要条件を式で書く)
先行研究と実データは、その条件を満たしているか
筆者の数値実験から、何がわかるか
前編を読んでいなくても読めるように書いています。
本稿は、賭け事や投資・トレードを勧めるものでも、否定するものでもありません。数値実験は仕組みを示すための例であり、賭けや投資の助言ではありません。法律に関する記述も一般的な情報であり、法的助言ではありません。
数値は、2026年10月時点で確認できた論文・公的資料に基づきます。二次報道だけを出典とするものには「(報道)」、筆者自身の導出や試算には「(筆者の計算)」と記しました。
本稿の要旨

賭けの期待値:資金成長率は W = ln(1−t) + D(p‖r) − D(p‖b) と表せます。予測精度が市場と同じなら、控除率の分だけ負けます。JRAの単勝で市場を上回るために必要な情報優位は0.223ナッツです。
トレードの期待値:成長率は g(L) = L(μ−k) − L²σ²/2 です。コスト、レバレッジ、回転率が、小さな予測優位を消します。
検証:必要な標本は、賭けで約 6.18·(o−1)/e² 回、トレードで約 6.18/SR² 年です。偶数オッズで1%の優位なら約6.2万回、年率シャープ0.5なら約25年かかります。参加者や試行が多ければ、実力ゼロでも勝者は生まれます。
執行と再現性:勝者への口座制限、資金容量、市場の混雑、リーク、LLMの先読み、取引コストが、紙上の優位を消します。知識カットオフ後には、LLM売買エージェントの総リターンが50〜72%減りました。
例外:ポーカーや麻雀など、人との技能ゲームでは専用AIが人間を超えています。ただし分散が大きく、リアルマネーでの利用は規約や法で制限されます。
1. 問いの定式化
1.1 相手の分類

賭けで資金が増えたとき、その原資は必ずどこかから来ています。本稿では、誰を相手にするかによって、次のように分類します。
数学(宝くじ、スロット、ルーレット)
期待値を決めるもの:認証された乱数と、固定の控除
相手側の防御:結果の独立性
AIが攻められる余地:欠陥がない限りない
人(ポーカー、麻雀、バックギャモン)
期待値を決めるもの:対戦相手との判断の質の差
相手側の防御:分散、場代、規約と検知
AIが攻められる余地:技術的には大きい。ただしリアルマネーでの使用は規約違反・違法になりうる
胴元(固定オッズのブックメーカー、FX・CFDの相対取引業者)
期待値を決めるもの:胴元が付ける価格
相手側の防御:マージン、価格調整、勝者の制限
AIが攻められる余地:価格に誤りがある間だけ
市場(公営競技のパリミュチュエル、取引所、予測市場、株式の価格)
期待値を決めるもの:参加者の判断を集約した価格
相手側の防御:情報の集約、控除・手数料、エッジの減衰
AIが攻められる余地:価格にない情報が控除を上回るときだけ
リスクプレミアム(分散した株式の保有、キャリー)
期待値を決めるもの:リスクを負う対価
相手側の防御:なし(ただし短期の損失と尾部のリスクがある)
AIが攻められる余地:AIは要らない
1.2 「勝てる」の3つの水準
「AIで勝てる」という主張は、次の3つの水準に分けて読む必要があります。
期待値:その賭けや売買の期待成長率はプラスか。
検証:その優位を、運と区別できるだけの標本があるか。
執行:その価格で実際に約定し、継続でき、法と規約に反しないか。
理論上の期待値がプラスでも、検証には数万回の賭けが必要です。その前に口座を制限されることもあれば、使い方そのものが違法な場合もあります。以下では、この3つの水準を順に見ていきます。
2. 期待値の条件(1):賭けを情報理論で読む

2.1 ケリーの成長率と、控除率つきの恒等式
Kelly(1956)は、賭け手の資金が取りうる最大の指数成長率は、私的な情報チャネルの情報伝送率に等しいことを示しました。Cover & Thomasの教科書("Elements of Information Theory"、第6章)は、この関係を、公正なオッズの下で成り立つ恒等式 W(b,p) = D(p‖r) − D(p‖b) にまとめています。つまり、賭け手が利益を得られるのは、その推定がブックメーカーの推定より優れているときだけです。
筆者は、この式を控除率tのあるパリミュチュエル方式に拡張しました。各結果の払戻倍率は、票数のシェアを r_i とすると o_i = (1−t)/r_i です。全資金を b の比率で配分して賭けると、1レースあたりの対数成長率は次のようになります。
これは筆者の計算です。乱数で作った1万レースで確認したところ、直接計算との差は最大1.8×10⁻¹⁵でした。
W(b, p) = Σ_i p_i ln(b_i o_i)
= ln(1 − t) + Σ_i p_i ln(b_i / r_i)
= ln(1 − t) + Σ_i p_i ln(p_i / r_i) − Σ_i p_i ln(p_i / b_i)
= ln(1 − t) + D(p‖r) − D(p‖b)
= ln(1 − t) + [市場のlog-loss − 賭け手のlog-loss]
p : 真の確率分布
r : 市場の示唆確率(パリミュチュエルなら票数シェア)
b : 賭け手の資金配分(比例配分ならモデルの確率 q と一致)
t : 控除率(JRAの単勝なら0.20)。マージン m の固定オッズでは ln(1−t) を −ln(1+m) に置き換える
W : 1レースあたりの対数資産成長率(単位はナッツ、自然対数)
D(·‖·) : KLダイバージェンス
最後の行は、D(p‖r) − D(p‖b) = Σ p_i ln(b_i/r_i) が「市場のlog-loss − 賭け手のlog-loss」に等しいことによります。
2.2 3つの含意
この式から、3つのことが言えます。
第1に、勝つための閾値は −ln(1−t) です。 全レースに比例配分して資金を増やすには、log-lossで市場より −ln(1−t) 以上優れていなければなりません。
市場・賭式ごとの閾値は次のとおりです(JRAの払戻率は2014年6月以降の値。閾値は筆者の計算)。
JRA 単勝・複勝(控除率20%、還元率80.0%):必要な情報優位 0.223ナッツ(0.322ビット)、1点の賭けで必要な p/r は1.250倍
JRA 馬単・3連複(控除率25%、還元率75.0%):0.288ナッツ(0.415ビット)、p/r 1.333倍
JRA 3連単(控除率27.5%、還元率72.5%):0.322ナッツ(0.464ビット)、p/r 1.379倍
JRA WIN5(控除率30%、還元率70.0%):0.357ナッツ(0.515ビット)、p/r 1.429倍
固定オッズ・マージン2%(還元率98.0%):0.020ナッツ(0.029ビット)、p/r 1.020倍
固定オッズ・マージン5%(還元率95.2%):0.049ナッツ(0.070ビット)、p/r 1.050倍
各項目の「1点の賭けで必要な p/r」は、資金の一部を現金で残し、期待値がプラスの結果だけに賭ける場合の条件 p_i > r_i/(1−t) です。単勝では、真の確率が群衆の示唆確率の1.25倍以上でなければ、1点の賭けとしても期待値はプラスになりません。
この閾値には、自分の賭けによるオッズの低下や、10円未満の端数切り捨てを含めていません。実際に必要な優位は、さらに大きくなります。
第2に、賭けの成長に直接対応する採点規則はlog-lossです。 ケリーの意味で資金の成長を最大化することは、予測のlog-lossを最小化することと同じです。Brierスコアや順位確率スコア(RPS)は、較正と精度を別の重みで測ります。
第3に、副情報Yによる成長率の増分は、相互情報量 I(X;Y) に等しくなります(Cover & Thomas、定理6.2.1)。ゲーム機器の試験規格GLI-11は、乱数について「ある回の結果を知っても、将来の回の結果について情報が得られてはならない」と定めています。過去の出目からどのような特徴量Yを作っても、I(X;Y)≈0 なら上積みはゼロです。「数学が相手なら勝てない」という結論は、この一行で表せます。
歴史上の「勝ち」は、いずれも物理・実装・ルール設計の欠陥を突いたものでした。ソープとシャノンのルーレット・コンピュータ(最良の1数字で約+44%)、Small & Tseの軌道予測(期待収益は少なくとも18%)、スロットの疑似乱数の解析、Cash WinFallのロールダウンなどが、その例です。
2.3 市場の優位は、控除率より小さい
史上最も成功した競馬モデルの1つであるBenter(1994)でも、群衆の予測に対する改善は、筆者の試算で1レースあたり約0.04ナッツでした。擬似R²の定義に仮定を置いた値ですが、当時の香港競馬で控除を超えるために必要な約0.21ナッツの、5分の1ほどです。だからBenterは全馬に賭けず、自分のモデルと群衆の見方が食い違う対象だけを選びました。期待利益の上限も、レース売上の0.25〜0.5%と見積もっています。
市場の予測自体も強力です。32社の締切オッズから作った確率は、サッカー479,440試合の実際の勝率とR²=0.999で一致しました(Kaunitz et al. 2017)。2017年のSoccer Prediction Challengeでも、ブックメーカーの示唆確率がすべての参加モデルを上回りました。
筆者の2万レースの数値実験(実験2、控除率20%)でも、モデルのlog-lossの優位は0.003〜0.03ナッツでした。必要な0.223ナッツの8分の1から75分の1です。さらに、「期待値がプラスに見える対象」だけを選ぶと、モデルの誤差が有利に出た対象を集めることになり、推定値を系統的に過大評価します。
2.4 「市場並み」は、控除率の分だけ負ける
モデルの精度が市場と同じ、つまり D(p‖b) = D(p‖r) なら、成長率は W = ln(1−t) です。市場価格どおりに賭けるのと同じく、控除率の分だけ資金を失います。
「市場並みの精度」は、予測ベンチマークでは到達点ですが、賭けでは負けが確定する点です。
LLMは予測精度で市場に近づいていますが、収益では届いていません。
Prophet Arena:GPT-5のBrierスコアは市場とほぼ同じでしたが、模擬的な賭けの回収率は0.943でした。
LLM-SoccerArena:最良モデルのBrierスコアは、マージンを除いた締切オッズと同等でした。
KellyBench:最良のGPT-5.4でも平均ROIは−7.9%で、25回中6回は破産しました。人間のクオンツは+5.1%でした。
賭けで重要なのは、市場に並んだかではなく、市場との差が控除やマージンを超えたかです。
2.5 市場の歪みだけでは勝てない
大穴が買われすぎる本命–大穴バイアス(FLB)は実在します。米国の6,403,712出走では、100倍以上の大穴の回収率は約−61%、毎レース本命を買っても−5.5%でした(Snowberg & Wolfers 2010)。歪みがあっても、「本命を買えば勝てる」という意味ではありません。
筆者の実験6では、FLBを再現した市場でも、真の確率を知る人が期待値プラスで買える馬は、控除率15%で全体の0.41%だけでした。控除率17.5%以上ではゼロです。市場の歪みの多くは、控除率の内側に収まります。
3. 期待値の条件(2):トレードの同じ式

3.1 レバレッジつきの成長率
資産をレバレッジL倍で持ち続けて連続的に調整する場合、Thorp(2006)の連続近似から、1年あたりの対数資産成長率が得られます。無リスク金利を差し引いた超過リターンで書き、レバレッジ1倍あたりの年率コスト k を加えると、次のようになります。
g(L) = L(μ − k) − L²σ²/2
= (μ − k)²/(2σ²) − (σ²/2)(L − L*)², L* = (μ − k)/σ²
μ : 超過リターンの期待値(年率)
k : レバレッジ1倍あたりのコスト(スプレッド、スワップの上乗せ、手数料。年率)
σ : 変動率(年率)
L : レバレッジ(建玉の名目額 ÷ 自己資金)
L*: ケリー最適のレバレッジ。成長率がゼロになるのは L = 2L*
2行目は、1行目を平方完成したものです。ここにも、賭けの式と同じ3項の構造が現れます(筆者の計算)。賭け(パリミュチュエル・固定オッズ)とトレード(連続時間)の対応関係は、次のとおりです。
胴元・市場の取り分
賭け:ln(1−t)(JRA単勝で −0.223ナッツ/レース)
トレード:−kL(往復0.1%を毎日払えば、1倍で年 −25%)
最大の上積み
賭け:D(p‖r)(市場に対する情報の優位)
トレード:(μ−k)²/(2σ²) = SR²/2
張り方の誤りの罰
賭け:D(p‖b)
トレード:(σ²/2)(L−L*)²
市場と同じ情報しか持たないとき
賭け:W = ln(1−t) < 0
トレード:g = −kL − L²σ²/2 < 0
成長がゼロになる賭けすぎ
賭け:ケリーの約2倍
トレード:L = 2L*
副情報の価値
賭け:相互情報量 I(X;Y)
トレード:相関ICの信号1つで約 IC²/2
3.2 リスクプレミアム:賭けにはない相手
賭けとトレードの構造的な違いは、期待値の符号を誰が決めるかにあります。賭けの期待値は、胴元が控除率によってマイナスに固定します。これに対し、分散されたリスク資産の保有は異なります。
UBS(Dimson、Marsh、Staunton)の2026年版年鑑によると、米国株の1900〜2025年の実質リターンは年6.6%、短期国債は0.5%でした。ただし、期待値がプラスでも、短期的な利益は保証されません。日経平均が1989年12月の高値を終値で上回るまでには、34年かかりました(配当を含まない価格指数)。
一方、市場平均から外れる売買は、別のゲームです。Sharpe(1991)は、コスト控除前のアクティブ運用の平均リターンは受動運用と等しく、コスト控除後には下回ることを示しました。
ただし、Grossman & Stiglitz(1980)が示したように、情報収集にコストがかかる限り、価格がすべての情報を完全に反映することはありません。情報を集める人への報酬として、非効率が残ります。2つを合わせると、情報を持つ人の超過利益は、誰かの「市場平均を下回るリターン」によって賄われます。
リスクプレミアムは、短い時間軸ではほとんど見えません。超過リターンを年6%、変動率を年18%とすると、1日あたりのシャープは約0.021です。値上がりする日の確率も、約50.8%にすぎません(筆者の計算。正規近似)。デイトレーダーの時間軸では、保有をプラスサムにしている上昇傾向は、経済的にほとんど意味を持たないのです。
筆者の数値実験(実験T1)では、同じ「実力ゼロ」の人が30年間、指数を保有するか、毎週賭けるか、毎日売買するかを比べました。資産の中央値は、指数保有で現金の約6.5倍、JRA並みの賭けで0.00025倍、往復0.1%のデイトレードで0.00023倍でした。
プレミアムのない日々のデイトレードは、構造的には高い控除率の賭けと同じです。 往復0.1%のコストなら、年約62往復で指数並みのリスクプレミアムを使い切ります。
実データも同じ方向を示します。台湾で「予測可能かつ安定して」利益を上げたデイトレーダーは1%未満でした。ブラジルで先物のデイトレードを300日以上続けた人の97%、欧州の個人CFD口座の74〜89%が損失を出しています。日本の店頭バイナリーオプションでも、顧客への払戻率は業者別の月次中央値で92.6〜96.0%でした。
3.3 小さな相関の価値:IC²/2 と損益分岐のIC
リターンと信号の相関(IC)が小さいとき、信号に応じて最適に資金を配分することで得られる成長率の上積みは IC²/(2(1−IC²)) ≈ IC²/2 です。これは、正規分布の相互情報量 −½·ln(1−IC²) ≈ IC²/2 の一次近似と一致します(筆者の計算)。
月次ICが0.02の信号1つが運ぶ情報は約0.0002ナッツで、JRA単勝の閾値の約1,000分の1です。 それでもトレードで小さな相関に意味があるのは、1回あたりのコストが賭けより桁違いに小さく、多くの銘柄と取引回数にわたって情報を積み上げられるためです。
この関係を表すのが、能動運用の基本法則 IR ≈ IC·√BR です(Grinold 1989。BRは独立した賭けの数)。ICが0.02でも、500銘柄を毎月評価し直せば、年率IRは理論上 0.02×√(12×500) ≈ 1.55 になります。ただし、コストは回転率に比例します。
予測に比例して重みを付けるロング・ショート戦略を考えます。信号の月次持続性をρ、銘柄の月次残差変動率をs、片道コストをcとすると、コスト控除後の月次IRと損益分岐のICは次のとおりです。筆者が閉形式を導き、モンテカルロで確認しました。
コスト控除後の月次IR = √N · (IC − c·√(4(1−ρ)/π)/s)
損益分岐のIC IC_BE = c·√(4(1−ρ)/π) / s (銘柄数Nに依存しない)
実験T3では、毎月入れ替わるIC 0.02の信号の年率IRは、コスト前の1.55から、片道0.1%のコスト後には0.44へ低下しました。信号の持続性が高ければ回転率が下がり、同じコストでもIRは1.20残りました。
銘柄を増やすと、αとコストがともに増えるため、損益分岐のICは下がりません。トレードでは、予測精度だけでなく、保有期間と回転率が収益性を左右します。
Gu, Kelly & Xiu(2020)の米国株予測でも、月次の標本外R²は最良で0.40%でした。紙上では年率シャープ1.35〜2.45でしたが、深層学習の利益は超小型株を除くと62%減るという報告があります。実効スプレッドや公表後の減衰を考慮すると、公表された204のアノマリーの平均期待リターンは月0.04%にとどまりました(Chen & Velikov 2023)。
3.4 レバレッジとギャップ:期待値プラスの戦略を負けに変える
g(L) の式から、成長がゼロになるのは L = 2L* です。年率変動10%の通貨を25倍で持ち、成長率をプラスにするには、年12.5%を超える優位が必要です(μ > Lσ²/2)。実験T4では、年率2%の優位があるFXでも、対数成長率は2倍で+1%、10倍で−35%、25倍で−275%でした。
強制決済も無視できません。年率変動10%の通貨を25倍・維持率50%で持つと、2%の逆行で強制決済されます。筆者の計算では、1か月以内に強制決済される確率は49.0%でした。
損切りが間に合わない価格の飛び(ギャップ)Jが起きると、自己資金は 1 + L·J 倍になります。したがって、L < 1/|J| でなければ、預けた証拠金以上を失います。 上限は、5%のギャップなら20倍、2024年8月5日の日経平均の−12.4%なら8倍、2015年1月のスイスフランの日中30%超の変動なら3.3倍です。
1日の変動を自由度3のt分布とすると、25倍で1年以内に自己資金の全額以上を失う確率は18.0%でした。正規分布では0.00%です。平均的な変動ではなく、まれな急変が破綻を決めます。
4. 検証の条件:標本数・探索・推定誤差

4.1 実力の証明に必要な標本数
独立な一定額の賭けで、真のエッジeを片側α=0.05・検出力80%で検出するために必要な回数は、次の式で近似できます。oは小数オッズです。
賭け:n ≈ 6.18 · (o − 1) / e²
トレード:T ≈ 6.18 / SR²
1回の賭けのシャープレシオを SR_b = e / √(o−1) と置けば、2つは同じ法則です。必要な標本はエッジの2乗に反比例し、オッズが高いほど増えます。
偶数オッズでエッジ1%:61,824回
偶数オッズでエッジ2%:15,455回
年率シャープ0.5:24.7年
年率シャープ1.0:6.2年
機関投資家の世界で「良い」とされる年率シャープ0.5でも、運と区別するには約25年かかります。Kaunitzらの672件・収益率6.2%という実地記録も、p=0.089で統計的に有意ではありませんでした。
4.2 母集団と探索が「勝者」を作る
実力のない参加者が大勢いれば、勝って見える人は必ず現れます。実験1では、実力ゼロの予想家1,000人がオッズ10.0で1,000回ずつ賭けると、平均158人がROI+10%以上になりました。実験T7では、実力ゼロのデイトレーダー36万人から、5年連続で黒字の人が17人出ました。
試した戦略が多い場合も同じです。実験5では、実力ゼロの戦略を1,000通り試すと、最良のバックテストROIは+10.33%になりました。しかし、翌シーズンは−0.04%です。10,000通り試すと過去の成績は+12.21%まで上がりましたが、翌シーズンは−0.07%でした。
ランダムウォークの価格で232個の売買ルールを試した実験T5でも、標本内の最良シャープは+1.03、標本外では0.00でした。探索を増やすほど、偶然の勝者が増え、本物の小さなエッジは埋もれます。
4.3 推定誤差:ケリーの2倍で成長はゼロになる
ケリー基準は長期成長率を最大にしますが、エッジの推定誤差に弱い方法です。理論上、ケリーの2倍を賭けると成長率はゼロになります。Benterも、優位を2倍に見積もるだけで成長率がマイナスになると指摘し、実際には1/2〜1/3ケリーを使っていました。
実験3では、モデルが選んだ案件のエッジを3.3倍に過大評価しました。フルケリーで賭けると、5,000回後の資金の中央値は0.208倍でした。同じモデルでも、1/4ケリーなら2.04倍です。
トレードで、過去T年から推定した超過リターンを使う場合の最適な縮小率は、次のようになります(筆者の導出)。
c* = T·SR² / (1 + T·SR²) = t² / (1 + t²)
年率シャープ0.2を10年分のデータで推定しても、最適な倍率は0.29です。推定値をそのまま使うより、強く縮小する必要があります。
4.4 的中率だけでは判断できない
的中率やAUCが同じでも、確率の較正が崩れると収益は変わります。実験4では、市場より良いモデルでも、予測確率を2倍に強調した過大確信モデルのROIは+7.20%から−0.71%へ落ちました。log-lossとBrierスコアの順位は、ROIの順位と一致しました。
締切オッズより有利な価格を取れたかを示すclosing line value(CLV)は、収益より速く技能を検出できる指標です。ただし、自分の賭けで締切オッズが動く場合や、マージン込みの価格と比べる場合には、実力がなくても良く見えます。パリミュチュエル方式では、自分の賭けの後に締切価格が決まるため、CLVをそのまま技能の証拠にはできません。
5. 執行の条件:制限・容量・尾部

5.1 勝者の記録は途中で終わる
英国賭博委員会によると、2024年に稼働した約1,492万口座の4.31%が商業的な制限を受けました。制限口座の46.78%が黒字で、全口座の黒字率25.42%の約1.8倍です。Kaunitzらの実験でも、実資金で賭け始めて数か月で上限を50ドル未満に制限され、実験が止まりました。
勝者への制限は、統計上の打ち切りです。本物の勝者の記録は途中で終わり、実力のない人が偶然勝った記録は宣伝として残ります。さらに胴元は、全口座を横断して比較できるため、本人の成績が統計的に有意になる前に優位を見抜けます。
5.2 エッジは共有すると消える
価格インパクトが取引量の平方根に比例するなら、資金Aに対する正味のαは、単純化すると次の形で減ります。
正味のα(A) = a − b·√A
資金が増えるほど自ら価格を動かし、同じ信号を使う参加者が増えるほど優位は薄まります。実験T6では、年4%の総αを持つ仮想的な月次信号も、運用額約8.4億ドルで優位が消えました。
実証研究も同じ方向を示します。97の株式リターン予測変数は、公表後にリターンが58%低下しました。GPT-4でニュースを読む戦略の年率シャープも、2021年第4四半期の6.54から2024年1〜5月の1.22へ低下しました。日本の馬券裁判の被告の回収率も、3年間で約110%から約101%へ下がっています。
エッジの寿命は、個人が実力を証明するために必要な期間より短いことが多い。 短期間で検証できるのは、多数の対象を低コストで同時に取引できる事業者です。
5.3 大損は予測以外の場所から来る
大きな損失は、予測精度よりも、レバレッジ、流動性、ソフトウェア、同時行動から生じます。Knight Capitalは2012年、ソフトウェアの配備ミスによって約45分で4.6億ドル超を失いました。2024年8月5日の日経平均急落時には、日経225先物の板の厚さが約75〜78%減っていました。
筆者の群集モデルでは、200体のエージェントの売買相関を0から1へ上げると、リターンの変動率が63%上昇し、4σを超える日の頻度が1万日あたり1日から153日に増えました(実験T6)。似たモデル、プロンプト、データを使うAIが同時に動けば、この相関は高まります。
15の学術的なLLMトレーディングエージェントを調べた研究では、LLMの外側で損切りやポジション上限を強制する公開実装は1つもありませんでした(FARSIGHT)。平均的な日の予測精度より、モデル外の強制的な上限のほうが、損失の分布を大きく変えます。
6. 技能ゲーム:AIが人間を上回る領域

相手が「人」のゲームでは、AIはすでに人間を超えています。2人のリミット・ホールデムはCepheusが本質的に弱解決し、ノーリミットではDeepStackとLibratusがトッププロに勝ちました。6人対戦でもPluribusがプロを上回っています。
ただし、ポーカーは分散が大きいゲームです。Libratusの数値から逆算すると、プロが大差とみなす50 mbb/gの実力差を約2σで検出するには、約33万ハンドが必要です。ゲームのスキル比率を測った研究でも、強い方が75%の確率で勝ち越すために必要な対戦数は、チェスが5局、ポーカーが1,405回でした。
麻雀AIのSuphxも、1位率は29.3%で、トップ人間の28.0%と大差がありません。差が表れたのは4位率で、Suphxは18.7%、人間は20.5%でした。AIの強さは、短期の全勝ではなく、長期的に悪い結果を減らす形で現れます。
リアルマネーのオンラインポーカーでは、プレイ中に参照するRTAやボットが主要サイトの規約で禁止されています。また、汎用LLMは専用AIほど強くありません。GTO Wizard AIとの評価では、GPT-5.3でも−16±3 bb/100、GPT-4oは「常にフォールド」とほぼ同じ成績でした。
LLMの比較優位は、自らプレイすることより、分析やシステム開発のコストを下げることにあります。
7. LLMに固有の限界

7.1 実運用に近づくほど、優位が消える
初期のLLMトレーディング研究は高い成績を報告しましたが、短期間・少数銘柄・コスト控除前という条件が中心でした。実運用に近い条件では結果が変わります。
FINSABER:2000〜2024年、上場廃止銘柄と手数料を含めると、FinMemとFinAgentは買い持ちに有意に負けました。
The Alpha Illusion:代表的な5システムでは、取引上の摩擦40項目のうち35項目が未モデル化でした。摩擦を入れるとTradingAgentsのシャープは0.43から0.22へ下がりました。
Alpha Arena:実資金による約17日間の暗号資産先物取引で、6モデル中4モデルが資金を3〜6割減らしました(報道)。
LIVR:LLMの「委員会」が銘柄を選ぶETFは、最初の年次報告までに+7.52%でした。同じ期間のS&P 500は+11.26%です。
肯定的な証拠に共通するのは、LLMに売買の全工程を任せず、情報抽出や信号生成の部品として使う設計です。英国の金融機関でも、AIの用途のうち完全に自律的なものは2%でした(BoE/FCA 2024)。
7.2 過去の記憶と再現性
LLMは、過去のニュースや値動きを学習データとして覚えている可能性があります。Profit Mirageでは、知識カットオフをまたぐと主要エージェントのシャープが51〜62%、総リターンが50〜72%下がりました。銘柄名や日付を隠しても、わずかな文脈から復元する例があります。
同じ条件でも出力は完全には再現できません。決定的に見える設定で5つのLLMを10回ずつ実行した研究では、精度が最大15%変わりました。ホスト型モデルの更新や、プロンプトの書式による差もあります。バックテストには、モデル名、版、プロンプト、実行日、取得データを固定して記録する必要があります。
7.3 権限・同時行動・入力攻撃
期待値−10%のスロットで賭け金を自由に決めさせると、Gemini-2.5-Flashの破産率は3.12%から48.06%へ、GPT-4o-miniは0%から21.31%へ上がりました。これは依存症の診断ではなく、目標と裁量の設計が自己破壊的な行動を引き出しうることを示します。
同じモデル、プロンプト、データを使うエージェントは、同じ局面で一斉に動くおそれがあります。LiveTradeBenchでも、2025年10月10日の下落時に、ほとんどのエージェントが同時に現金比率を上げました。
入力の操作にも弱点があります。人間には見えない文字を見出しに混ぜる攻撃は、LLM売買システムの年リターンを最大17.7ポイント下げました。AIに発注権限を与えるなら、入力の検証とモデル外の制約が欠かせません。
8. 再現性:「勝てる」という主張の読み方

8.1 主張を消す典型的な壁
リーク:Kapoor & Narayanan(2023)は、17分野、少なくとも294本の論文で見つかったリークを整理しました。内戦予測の事例では、リークを修正すると、複雑な機械学習はロジスティック回帰をほとんど上回らなくなりました。AUCの差は0.14から0.01へ縮小しています。
賭けでも、約定価格の仮定が結果を大きく左右します。Kaunitzらの同じ戦略は、締切オッズで約定したと仮定すると3.5%、試合の1〜5時間前のオッズなら9.9%でした。紙上運用で表示されたオッズの約30%は、確認時点ですでに変わっていました。「どの価格で約定したか」という仮定だけで、見出しになる収益率が約3倍変わります。
データの誤り:Clegg & Cartlidge(IJF 2025)は、テニス市場の価格の歪みを報告した論文を、同じデータで正確に再現しました。公表された利益の大半は、誤って高いオッズが付いた1件の賭けによるものでした。その誤りを修正すると、利益のほとんどが消えました。残った戦略も、2020年以降は利益を上げていません。
金融の「再現性の危機」:数字が食い違って見える研究どうしは、実は違う問いに答えています。
Chen & Zimmermann:「元の方法で結果を再現できるか」→ 約98%が再現(コスト前)
Hou, Xue & Zhang:「超小型株の影響を抑えた共通の方法でも有意か」→ 452のアノマリーのうち65%が|t|≥1.96を満たさない(コスト前)
Jensen, Kelly & Pedersen:「ベイズの多重検定で、CAPMのαが本当にゼロでないか」→ 82.4%が再現(コスト前。ただし標本外のαを標本内のαに回帰した傾きは0.26)
Chen & Velikov:「コスト・公表・現代の取引環境の後に何が残るか」→ 平均のアノマリーは月0.04%(コスト後)
投資家にとって最も重要なのは、最後の問いです。NYSE基準で時価総額が下位20%に入る超小型株は、企業数では61%を占めますが、時価総額では3.28%にすぎません。紙上のαは、最も取引しにくい銘柄に集中しています。
生存者バイアス:現在のS&P 500構成銘柄を過去の投資対象として使えば、その時点では誰も知らなかった将来の「生き残り」を、あらかじめ選ぶことになります。FINSABERは、このバイアスが過去の研究に年0.1〜0.9%の歪みを生むとしています。
8.2 チェックリスト
「AIで賭けやトレードに勝てる」という主張を読むときは、次の点を確認してください。典型的な誤りの多くを見抜けます。
比較対象は市場か:マージンを除いた締切確率、または買い持ちや指数と比べているか。「何も知らない予測」と比べていないか。
評価指標は適切か:log-loss・Brier・較正で評価しているか。的中率だけで評価していないか。
時点は管理されているか:特徴量とオッズは、意思決定時点で入手できるものか。実際の約定価格と遅延を考慮しているか。
先読みはないか:検証期間は、使ったすべてのLLMの知識カットオフより後に始まるか。前向きのライブ評価か。
投資対象は事前に決めたか:各時点の構成銘柄と上場廃止銘柄を含んでいるか。結果を見る前に対象を決め、記録しているか。
試行の数は報告されているか:試したモデル・閾値・期間の数と、DSRなどの補正を報告しているか。
標本は足りているか:回数・平均オッズ・期間・信頼区間を示しているか。6.18·(o−1)/e² 回や 6.18/SR² 年に届いているか。
摩擦を引いているか:手数料・スプレッド・インパクト・トークン費用・税を引いているか。容量(投入できる最大の資金)を示しているか。
局面をまたいでいるか:強気と弱気の両方を含むか。市場やスタイルのエクスポージャーと区別したαか。
執行は可能か:口座の制限、レバレッジ規制、取引相手の登録の有無、利用規約と法令に照らして、実行できるのか。
9. 制度:日本で「AIで賭ける・売買する」ときの線引き

日本では、AIを使うこと自体ではなく、賭ける対象、取引の相手、売り方で適法性が決まります。
賭博の原則:賭博は、刑法185条・186条によって原則として禁じられています。公営競技・宝くじ・totoは、特別法に基づく正当行為として例外的に適法です。公営競技でAI予想を使うこと自体を禁じる規定は見当たりません。継続的かつ大規模な購入による払戻金が雑所得になりうることは、2015年と2017年の最高裁判決で示されました。ただし、いずれも個別の事実関係に基づく判断であり、一般の愛好家にそのまま当てはまるものではありません。
海外のオンラインカジノ:運営国で合法でも、日本国内から接続して賭ければ賭博罪の対象です。2025年9月25日に施行された改正ギャンブル等依存症対策基本法は、サイトの提示や誘導情報の発信も禁じています。警察庁の委託調査(2024年)は、経験者を約337万人、年間の賭け金を約1兆2,423億円と推計しています。経験者の39.8%は、違法だと知りませんでした。
予測市場:金融庁・警察庁の公式見解は見つかりませんでした。Polymarketは、公式ドキュメントで日本を地域制限の対象国に挙げています。技術的な遮断の有無は、適法性を左右しません。
金融商品取引:金融商品取引法は、金融商品取引を賭博罪の適用対象外と明記しているわけではありません。登録業者や取引所を通じ、法令の枠内で行うことで、正当行為と評価されるという説明が一般的です。取引所外の相場を基準に差金を授受する行為は、金融商品取引法202条で処罰されます。同条は、刑法186条の適用も妨げません。
1997年の証券取引審議会は、差金決済型の店頭デリバティブについて、「刑法上の賭博罪の構成要件にも該当するのではないかとの疑義がある」と整理し、法改正によってこのリスクを解消する方針を示していました。
AIで取引することへの規制:規制の対象になるのは、取引速度、商品とレバレッジ、取引相手が登録業者かどうか、といった点です。高速取引行為者には登録制があり、2026年6月末時点で52者が登録されています。レバレッジの上限は、FXが25倍、暗号資産が2倍です。暗号資産は、2026年7月に成立した改正法によって金融商品取引法の対象へ移り、インサイダー取引規制などが新設されます。規制の本体は、公布から1年以内の政令で定める日に施行されます。
AIのシグナルやツールの販売:誰でも随時購入できる汎用ソフトの販売は、投資助言・代理業に当たらないとされています。一方、会員制サービス、継続的なデータ提供、個別性の高い情報提供は、登録が必要になる場合があります(金融庁の監督指針)。
政策上の位置づけ:厚生労働省は2026年6月の国会で、FXなど自体はギャンブル行為ではないとしつつ、人によっては依存症の状態になっていることが臨床上確認されていると答えました。金融庁は2025年4月、「いわゆるギャンブルと投資は異なる」と答弁しています。
詐欺:数字の上で最も大きい「AIとお金」の問題は、AIを口実にした詐欺です。SNS型投資詐欺の被害額は2025年に1,288.0億円で、2026年も1〜8月で937.4億円(前年同期比+53.8%)に達しています。
10. 結論

10.1 領域別の答え
乱数のゲーム:AIが利用できる情報はなく、期待値は控除率で決まります。勝った事例は、物理・実装・ルールの欠陥を利用したものです。
ポーカー・麻雀:専用AIは人間を超えました。ただし分散が大きく、リアルマネーでの利用は規約や法で制限されます。
スポーツ・競馬・予測市場:勝つには、市場との差が控除やマージンを超えなければなりません。優位は小さく、制限や混雑によって減衰します。
株式の長期保有:リスクプレミアムがあるため、AIがなくても期待値はプラスになりえます。ただし、短期の損失や長い回復期間はあります。
短期売買・LLMエージェント:コスト、レバレッジ、先読み、過学習の影響が大きく、現時点の長期・手数料込みの検証では、単純な買い持ちを安定して上回っていません。
10.2 5つの結論
市場並みの予測力では勝てない。 賭けでは控除率、トレードではコストとボラティリティ・ドラッグの分だけ負けます。
実力の証明には、エッジの2乗に反比例する標本が必要である。 偶数オッズで1%の優位なら約6.2万回、年率シャープ0.5なら約25年です。
エッジは共有すると消える。 公表、資金流入、似たAIの普及によって価格へ織り込まれます。個人が証明する前に、優位が消えることもあります。
損失を決めるのは予測精度だけではない。 資金配分、レバレッジ、流動性、ソフトウェア、モデル外のキルスイッチが結果を左右します。
LLMの強みは「賭ける・売買する」より「調べる・作る」にある。 素のLLMより、情報抽出、調査、コーディングの部品として使うほうが、現在の証拠と整合します。
総じて、AIは賭けとトレードの数学を変えませんが、誰が勝ちやすいかは変えています。 優位に立つのは、個人よりも、大量の取引を低コストで自動化できる事業者、価格と顧客を管理する胴元や仲介業者、速度と容量を持つ少数の運用者です。
10.3 残る問い
LLMが市場を上回る予測力を持ったとき、その差は控除やコストを超えるのか。
AIの普及が、エッジの減衰や市場参加者の同時行動をどれだけ速めるのか。
知識カットオフ後だけで学習・評価したLLMは、信頼できるバックテストを可能にするのか。
付記:本稿の数値実験について
本稿の実験1〜7(賭け)と実験T1〜T7(トレード)は、乱数の種を固定したPython(numpy、scipy)のコードによるシミュレーションです。再実行したところ、出力はバイト単位で一致しました。
理論式は原典で確認するか、原典の数値例を再現して検証しています。たとえば、Bailey & López de Pradoによる最小実績期間の数値例(2.73/2.83/3.24年)や、Thorp(2006)による連続時間のケリー基準の数値例(f*=2.22)を再現しました。
主な仮定と限界は次のとおりです。
賭けの実験:独立な賭けと固定されたオッズを仮定しました。自分の賭けによるオッズの低下、端数切り捨て、組合せ式の同時確率は扱っていません。モデルと市場の誤差を独立と置いたので、両者が同じ公開データを使う現実より、エッジを大きく見積もっています。
トレードの実験:コスト(流動性の高い株式で往復0.1%、主要通貨ペアでスプレッド0.3bp(0.003%)とスワップの上乗せ年0.5%)、強制決済の維持率、ギャップの頻度、暗号資産の変動率、容量の入力、エージェントの信号の相関は、すべて仮定です。実在の業者や市場で検証した値ではありません。
結果の位置づけ:いずれも、賭けとトレードの機構を示すための例示です。実在の市場の攻略可能性の推定でも、助言でもありません。
参考文献
理論・数理
Kelly, J. L. (1956). A New Interpretation of Information Rate. Bell System Technical Journal.
Cover, T. M. & Thomas, J. A. (2006). Elements of Information Theory, 2nd ed., Chapter 6. Wiley.
MacLean, L. C., Thorp, E. O. & Ziemba, W. T. (2010). Good and bad properties of the Kelly criterion.
Thorp, E. O. (2006). The Kelly criterion in blackjack, sports betting and the stock market. Handbook of Asset and Liability Management.
Snowberg, E. & Wolfers, J. (2010). Explaining the Favorite-Longshot Bias.
Bailey, D. H., Borwein, J., López de Prado, M. & Zhu, Q. J. (2014). Pseudo-Mathematics and Financial Charlatanism. Notices of the AMS.
Bailey, D. H. & López de Prado, M. The Deflated Sharpe Ratio/The Sharpe Ratio Efficient Frontier.
Harvey, C. R., Liu, Y. & Zhu, H. (2016). ...and the Cross-Section of Expected Returns.
Grinold, R. C. (1989). The Fundamental Law of Active Management/Clarke, de Silva & Thorley (2002). Portfolio Constraints and the Fundamental Law.
Sharpe, W. F. (1991). The Arithmetic of Active Management.
Tóth, B. et al. (2011). Anomalous Price Impact and the Critical Nature of Liquidity.
偶然のゲーム・技能ゲーム
GLI-11 v3.0/Thorp, E. O. (1998). The Invention of the First Wearable Computer/Small, M. & Tse, C. K. (2012). Predicting the outcome of roulette.
Bowling, M. et al. (2015). Heads-up limit hold'em poker is solved/Moravčík, M. et al. (2017). DeepStack/Brown, N. & Sandholm, T. Libratus・Pluribus.
Li, J. et al. (2020). Suphx/Duersch, Lambrecht & Oechssler. Measuring skill and chance in games.
GTO Wizard Benchmark(arXiv 2603.23660)/ToolPoker(arXiv 2602.00528).
スポーツ・競馬
Benter, W. (1994). Computer Based Horse Race Handicapping and Wagering Systems: A Report.
Kaunitz, L., Zhong, S. & Kreiner, J. (2017). Beating the bookies with their own numbers.
Bunker, Yeung & Fujii(Soccer Prediction Challenge)/Walsh, C. & Joshi, A. (2024). Machine learning for sports betting: should model selection be based on accuracy or calibration?/Hubáček & Šír. Beating the market with a bad predictive model.
Clegg & Cartlidge (2025, International Journal of Forecasting). テニスの価格の歪みを報告した研究の追試(arXiv 2306.01740)/Whelan(2026)CLV.
LLMと予測・予測市場
Prophet Arena(arXiv 2510.17638)/KellyBench(arXiv 2604.27865)/LLM-SoccerArena(arXiv 2607.24573)/Prediction Arena(arXiv 2604.07355).
Paleka, D. et al. (2025). Pitfalls in Evaluating Language Model Forecasters.
金融・トレード
Barber & Odean (2000). Trading Is Hazardous to Your Wealth/Barber, Lee, Liu & Odean (2014). The cross-section of speculator skill/Chague, De-Losso & Giovannetti. Day Trading for a Living?
ESMA(2018)/金融庁 規制の事前評価書(2013)/金融先物取引業協会 統計/金融庁 有識者検討会資料(2018).
Gu, Kelly & Xiu (2020). Empirical Asset Pricing via Machine Learning/Chen, Pelger & Zhu (2024). Deep Learning in Asset Pricing/Avramov, Cheng & Metzker. Machine Learning vs. Economic Restrictions.
McLean & Pontiff (2016). Does Academic Research Destroy Stock Return Predictability?/Chen & Velikov (2023). Zeroing in on the Expected Returns of Anomalies/Hou, Xue & Zhang (2020). Replicating Anomalies/Jensen, Kelly & Pedersen (2023). Is There a Replication Crisis in Finance?/Chen & Zimmermann(FEDS 2021-037).
Fischer & Krauss. Deep learning with LSTM networks for financial market predictions/AIEQ/LIVR 年次報告.
Lopez-Lira & Tang. Can ChatGPT Forecast Stock Price Movements?/FINSABER/The Alpha Illusion/Profit Mirage/TradingAgents/LiveTradeBench/nof1 Alpha Arena.
SEC Release 34-70694(Knight Capital)/Khandani & Lo. What Happened to the Quants in August 2007?/日本銀行 金融システムレポート 2024年10月/金融庁 2025年1月 分析.
BoE Breeden 副総裁(2026-06-30)/IMF GFSR 2024年10月/BIS 年次経済報告2024 第III章/BoE/FCA(2024)AI in UK financial services.
再現性・LLMの行動
Kapoor, S. & Narayanan, A. (2023). Leakage and the reproducibility crisis in machine-learning-based science.
Atil et al.(LLM の非決定性)/Thinking Machines(Defeating Nondeterminism in LLM Inference)/Sclar et al.(プロンプトの書式).
Lee et al. (2025). Can Large Language Models Develop Gambling Addiction?/Binz & Schulz (2023). Using cognitive psychology to understand GPT-3/Hansen & Lee(FEDS 2025-090、LLMの群集行動)/Rizvani, Apruzzese & Laskov(見えない文字による攻撃)/FARSIGHT.
日本の制度