
AIを使えば、個人投資家でも市場平均を超えられるのか
私はこれまで、S&P500やオルカンなど、インデックスを中心に投資してきました。
企業を一社ずつ調べても、その情報が正しいとは限りません。正しかったとしても、すでに株価へ反映されているかもしれない。時間をかけて銘柄を選び、結局インデックスに負けるのであれば、最初から市場全体を持つほうがいい。
そう考えていました。
ところが、AIを使っていると、この前提が少し揺らぎます。
決算資料やニュースを集めるだけではありません。競合と比べ、別の因果関係を考え、こちらの仮説が崩れる条件まで探させることができます。以前なら時間が足りなかった作業を、短時間で何度も繰り返せるようになりました。
それなら、AIを使えば個人でも市場平均を超えられるのではないか。
このnoteで確かめたいのは、その一点です。
もちろん、市場平均は簡単な相手ではありません。S&P Dow Jones Indicesの集計では、米国の大型株ファンドのうち、20年間でリスク調整後のリターンがS&P500に届かなかったものは96%でした。専門家が資金と人員を使って運用して、この数字です。
生成AIを入れたファンドは、年率2〜4%多く稼いだ
これは、「AIがすごくなった気がする」という印象だけの話ではありません。
すでに、生成AIの導入によって運用成績が改善したとする研究があります。
ある研究チームは、投資会社が生成AIにどれだけ依存しているかを測る指標をつくり、ChatGPT登場の前後を比較しました。その結果、生成AIを取り入れたヘッジファンドは、取り入れなかったファンドより、年率2〜4%高い異常収益を上げていました。
リスクを調整したうえでも、なお説明できない上乗せ分です。
この論文は、金融分野の主要誌であるReview of Financial Studiesに採録されています。
ここまでを見ると、「AIを使えば勝てる」という話にも見えます。
ただし、稼いだのはヘッジファンドだけだった
ただ、この研究には続きがあります。
生成AIを取り入れて成績が上がったのは、ヘッジファンドに限られていました。それ以外の投資会社では、明確な変化は見られませんでした。
差を生んでいた要因として示されているのが、AI人材です。
ChatGPTが登場する以前からAIの専門人材を抱えていたヘッジファンドほど、この新しい道具から高いリターンを生み出していました。同じ道具を使っていても、使う側の人的資本によって結果が分かれています。
そして論文は、生成AIは誰でも使えるにもかかわらず、投資家間の差を縮めるのではなく、むしろ広げる可能性があると指摘しています。恩恵は、それを実装できる資源を持つ大きな側へ偏るかもしれない、と。
私が知りたいのは、まさにその反対側です。
資源を持たない個人が、同じ道具を使って何かできるのか。
的中率9割でも、その値段では買えない
AIの読解力そのものを疑う理由はありません。
GPT-4にニュース見出しを読ませ、株価がどう反応するかを採点させた研究があります。学習データの締め切りより後に出た見出しだけを使い、ポートフォリオ日次で約9割を当てました。
ただし論文は、その約9割が「売買できない初期反応」に対する的中率だと明記しています。そして、この信号を実際に使えるのは、取引コストが十分に低い市場参加者、たとえばマーケットメイカーに限られるとしています。
さらに、その優位自体も縮小しています。
この戦略の年率シャープレシオは、2021年第4四半期の6.54から、2022年には3.68、2023年には2.33、2024年1〜5月には1.22まで低下しました。論文はこれを、LLMが広まり、市場価格がより効率的になった証拠だと解釈しています。
つまり、「読めるのに使えない」という問題だけではありません。
素朴に使えば、読む前の段階で転ぶこともあります。
2026年の研究では、ChatGPT、Gemini、DeepSeek、Perplexityの四つに株式を推奨させています。そこで繰り返し起きたのは、財務的な誤解、前の誤りをそのまま引きずること、古い情報や存在しない情報への依存でした。
LLMを使った投資戦略を、20年・100銘柄超に広げて検証した研究もあります。短期・少数銘柄を対象にした検証で報告されていた優位は、評価範囲を広げると大きく減りました。
強気相場では慎重すぎてインデックスに負け、弱気相場では攻めすぎる、という偏りも確認されています。
AI人材を先に抱えていた側が、勝った
ここまでを並べると、一つの形が見えてきます。
素朴に聞くだけでは勝てない。一方で、人材と工程を持つ側は成果を出している。
同じモデルを、同じ料金で使っていたとしてもです。
四つのモデルを試した研究も、別の言い方で同じことを示しています。適切に導き、監督したとき、LLMは市場を上回る能力を示した。ただし、その能力を引き出すには相当量の人間の監督が必要だ、と。
企業の公式な提出書類に推奨を紐づけると、予測精度が上がったことも報告されています。
ヘッジファンドの研究で効果が出ていたのも、景気全体や業界全体の話ではなく、企業固有の方針や業績に関する情報でした。
つまり、差がついているのは、手に入る情報そのものではありません。
情報を判断へ変える工程のほうです。
そして工程は、資金力そのものではなく、手順として書くことができます。少なくとも、書けるのかどうかは試せます。
なお、ここで挙げた研究が対象にしているのは、GPT-4やその同世代までです。もっと新しいモデルを主な検証対象にした査読相当の研究は、私が探した範囲では見つかりませんでした。
研究は必ずモデルの後ろを走ります。
最新のモデルなら結果が変わる可能性もあります。それも含めて、自分で確かめてみます。
能力が成果に変わるまでの五段階
その工程を、もう少し細かく分けてみます。
少なくとも、五つの段階があります。

図の上と下では、難しさの種類が違います。
一段目から三段目までは、「読めるかどうか」の問題です。資料を取り違えず、利益が動く理由まで進み、まだ価格に入っていない差を見つける。ここは、モデルの能力が上がるほど前進する可能性があります。
実際、予測力はモデルが大きいほど高いと報告されています。
一方、四段目と五段目では、問題が道具の能力から工程へ移ります。
いくらで売買できるのか。どれだけの大きさで持つのか。コストとリスクを引いたあとで、同じ時点の市場平均と比べてどうだったのか。
AI投資の記事やデモを見るとき、私は「どの段階まで確かめたのか」を見ることにしました。
途中の一段で良い結果が出ても、最後までつながったことにはなりません。
上場していない会社を、上場企業として渡された
そう考えるようになったのは、自分自身がこの段階を飛ばしていたからです。
最初につまずいたのは、一段目でした。
AIに投資先を探させたとき、「上場企業」として挙げられた会社が、実際には上場していませんでした。会社名と事業内容が自然につながっていたため、しばらく気づきませんでした。
同じ一段目で、別の失敗もあります。
企業を比較したとき、異なる分母で計算された指標が、同じ表の中に並んでいました。数字は細かく、説明も整っていました。それでも、比較としては成立していませんでした。
四段目では、別の問題にぶつかりました。
適正価格を詳しく計算するほど、結論に近づくと思っていました。実際には、成長率や利益率の置き方によって評価額の幅が大きくなり、「買う」かどうか以前に、何を確かめればその幅が縮むのかも分からなくなりました。
問題は、AIが間違えたことだけではありません。
私は、会社を見つける、事実を確かめる、将来を考える、価格を評価する、買うか決める、という別々の仕事を、一度にAIへ求めていました。
どの段で止まったのかを分けて見ないまま、完成したレポートだけを受け取っていたのです。
銘柄ではなく、判断方法を作る
そこで、この連載ではAIに「次に上がる銘柄」を聞くところから始めません。
素朴に聞くだけでは勝てないことは、すでに研究が示しています。
投資の目的を決める。候補を見つける。個別株・ETF・投資信託を比べる。企業と仮説を確かめ、価格と比べる。そのうえで、買う・待つ・見送るを決め、後から検証する。
この一連の判断方法をつくっていきます。
ただし、この方法はまだ完成していません。実際の案件で詰まったところを一つずつ検証し、工程の分け方や順番そのものも、必要であれば変えていきます。
AIには、情報を集めさせるだけではありません。
別の因果経路、逆向きの因果、共通原因も考えさせます。利益が海外企業、非上場企業、顧客へ漏れる場所を探させ、仮説の最も弱い部分を指摘させる。仮説が正しくても株価が上がらない条件も出させます。
人間は、AIの回答を採用する係ではありません。
何を確かめるかを決め、一次資料へ戻り、前提と価格をつなぎ、最終的な判断を引き受けます。人間とAIのどちらが構造を考えるかも固定しません。両方に考えさせ、違いが出た場所を調べます。
判断した後は、同じ時点のインデックスと比較します。
うまくいった案件だけを残すこともしません。候補が見つからなかった回、見送った回、判断できなかった回、前提を間違えた回も残します。
それで市場平均を超えられなければ、「AIを使っても、インデックス投資へ任せる範囲は広かった」という結論になります。
それも、この検証の答えです。
何と比べて勝ちなのか
この連載では、比較条件を結果を見る前に決めておきます。
比較対象:eMAXIS Slim 全世界株式(オール・カントリー)
通貨:円
コスト:売買手数料、為替コストなど、実行にかかる費用を含む。オルカンは信託報酬控除後の基準価額を使う
税金:NISAなど口座条件で変わる個人の税金は含めない
期間:判断後に実際に売買できる最初の時点を100とし、配当・分配金を含む累積リターンを時系列グラフで比べる
リスク:同じ期間の値下がり幅も確認し、高いリスクを取っただけの上振れを区別する
比較できない点が見つかれば、変更理由と日付を残して修正します。ただし、過去の勝敗が有利になるようには変えません。
次に考えたのは、AIへ有望な銘柄を聞く前に、こちらの投資目的と探索条件をどう決めるかです。
その考えを、次の記事で整理しました。
▶︎ 次の記事:AI支援型の投資プロセスは何から作るか
参考にした研究・資料
S&P Dow Jones Indices「SPIVA U.S. Scorecard Mid-Year 2025」(2025年6月30日基準。20年・リスク調整後の数値はReport 1b)
Sheng, Sun, Yang, Zhang「Generative AI and Asset Management」(Review of Financial Studies 採録。掲載版は有料のため、リンクは無料公開されている2025年8月の完成稿)
Crisóstomo, Mykhalyuk「Large Language Models and Stock Investing: Is the Human Factor Required?」
訂正とAIの使い方
数字や事実の誤りを見つけたら、コメントで指摘してください。訂正したときは、この記事の末尾に訂正日と変更内容を残します。過去の記述を黙って書き換えることはしません。
記事の下調べにはAIを使っています。ただし、数字・固有名詞・出典は一次資料で確認したものだけを載せています。確認が取れなかったものは書きません。
※本記事は特定の銘柄や金融商品の売買を勧めるものではありません。公開情報を使った投資判断方法の検証記録です。