背景知識：最先端ML/RL研究（2026年レビュー）
本章は2026年7月に見直し、主に2024-2025年の公開論文、オープンソース、企業開示に現れた手法を整理する。論文発表や公開実験は、本番導入、経済価値、再現性を証明しない。各手法は研究候補として扱い、自分の課題でリークを防ぎ、コスト控除後の検証を行う。
1. 技術進化概観
1.1 従来からフロンティアへ
| 世代 | 代表的技術 | ステータス |
|---|---|---|
| 第1世代 | 線形回帰、ロジスティック | 基本、まだ使用中 |
| 第2世代 | LSTM、GRU | 多くの系列タスクで依然有効なベースライン |
| 第3世代 | Transformer、GNN | 活発な研究と選択的な本番利用 |
| 第4世代 | Foundation Models、Diffusion | フロンティア探索 |
注: LSTM/GRU は時代遅れではなく、小規模データや比較的単純な系列タスクで妥当なベースラインになる。レイテンシはモデル規模、ハードウェア、ランタイム、バッチ、測定境界に依存するため、固定値を仮定せず計測する。モデルアーキテクチャ選択ガイドも参照。
1.2 機関の技術声明をどう読むか
採用ページ、講演、特許、論文、インフラ発表は関心領域を示すだけで、本番戦略の一覧ではない。関連会社の AI プロジェクトから取引モデルを推測せず、AUM を「計算投資」に置き換えず、ベンダー事例を収益証拠とみなさない。各主張について、公開情報源、公開日、原文、そして研究・ツール・試行・本番のどれを示すかを記録する。
2. Decision Transformer
2.1 コアアイデア
強化学習問題をシーケンスモデリング問題に変換:
従来のRL: 状態 -> ポリシー -> アクション -> 報酬 -> ポリシー更新
Decision Transformer: (リターン、状態、アクション)シーケンス -> 次のアクション主要イノベーション:
- 価値関数推定不要
- ポリシー勾配不要
- Transformerを直接使用して「このリターンが欲しければ、何をすべきか」をモデル化
2.2 GPT-2 + LoRAで取引
最新研究（2024年11月）:
アーキテクチャ:
事前学習済みGPT-2
|
LoRAファインチューニング（Low-Rank Adaptation）
|
取引用Decision Transformerなぜ機能するか:
- GPT-2の事前学習済み重みが強力なシーケンスモデリング能力を提供
- LoRAはパラメータのごく一部（~0.1%）のみをファインチューニング、効率的でオーバーフィッティングを防ぐ
- 金融データが希少なシナリオに適している
パフォーマンス: CQL、IQL、BCなどのオフラインRLアルゴリズムと競争力あり、一部のシナリオで優位
2.3 TACR（Transformer Actor-Critic with Regularization）
対処する問題: 従来のRLはマルコフ性を仮定（現在の状態のみを見る）が、金融市場には長期依存関係がある
手法: Decision Transformerのアテンションメカニズムを使用して過去のMDPシーケンスをモデル化
演習: シンプルなDecision Transformer取引フレームワークを実装
3. LLM駆動Alpha採掘
3.1 AlphaAgentフレームワーク
コアアイデア: Alphaファクター採掘のためのMulti-agent協働
アーキテクチャ:
┌─────────────────────────────────────────────────────┐
│ AlphaAgentシステム │
├─────────────────────────────────────────────────────┤
│ Research Agent → ファクター仮説を生成 │
│ ↓ │
│ Backtest Agent → ファクター効果を検証 │
│ ↓ │
│ Risk Agent → ファクターリスク特性を評価 │
│ ↓ │
│ Portfolio Agent → ウェイトと配分を最適化 │
└─────────────────────────────────────────────────────┘主要機能:
- Multi-agent分業: 各Agentが単一タスクに集中、単一LLM能力ボトルネックを回避
- 反復最適化: バックテストフィードバックを通じて継続的なファクター改善
- リスク認識: Risk Agentがワークフローに組み込まれている、後付けではない
- 説明可能性: 各決定ノードで明確な推論チェーン
従来の方法との比較:
| 機能 | 従来のQuant | 単一LLM | AlphaAgent |
|---|---|---|---|
| ファクター採掘効率 | 低（手動） | 中 | 高 |
| リスク管理 | 事後 | 弱い | 組み込み |
| 説明可能性 | 高 | 低 | 高 |
| イテレーション速度 | 遅い | 速い | 速い |
3.2 LLM誘導RL
出典: arXiv 2508.02366（2025年）
コアアイデア:
LLM: 高レベル戦略を生成（「市場は上昇トレンド、テック株のオーバーウェイトを提案」）
|
RL Agent: 具体的な取引を実行（「AAPL 100株購入、制限$185」）
|
報酬: 戦略改善のためにLLMへフィードバック利点:
- LLMが解釈可能な高レベルロジックを提供
- RLが低レベル実行詳細を最適化
- 両者が相互補完
実験結果: 6銘柄中4銘柄で純粋RLベースラインよりも良いシャープレシオ
3.3 Alpha-GPT 2.0
位置付け: Human-in-the-Loop AI
プロセス:
- LLMがファクター候補を生成
- 人間の専門家がレビュー/修正
- バックテスト検証
- 改善のためのフィードバック
適合シナリオ: 人間の監督が必要な機関アプリケーション
演習: シンプルなLLMファクター生成パイプラインを実装
4. グラフニューラルネットワーク（GNN）
4.1 なぜGNNが必要か
従来の方法の制限:
- 株式が独立していると仮定
- 関係性の接続を無視
市場の現実:
- サプライチェーン関係（Apple -> TSMC）
- 業界相関（銀行株が一緒に動く）
- マクロ要因（金利がすべての株に影響）
4.2 Role-Aware Graph Transformer
出典: 2025年12月研究
Multi-Relationship モデリング:
| エッジタイプ | 意味 | 構築方法 |
|---|---|---|
| 相関 | 価格相関 | 過去のリターン相関係数 |
| ファンダメンタル | ファンダメンタル類似性 | PE、PB、ROEなど |
| セクター | 業界関係 | GICS分類 |
| サプライチェーン | サプライチェーン | 決算報告開示 |
ロール認識:
- Hub株（例: AAPL、MSFT）: 多くの他の株に影響
- Bridge株: 異なる業界を接続
- 周辺株: 受動的に追従
4.3 TFT-GNNハイブリッドモデル
Temporal Fusion Transformer + Graph Neural Network
時間次元: TFTがキャプチャ
|
関係次元: GNNがモデル化
|
融合層
|
予測パフォーマンス: MSEが10.6%削減（TFT単独と比較）
演習: シンプルな株式関係グラフ構築とGNN予測を実装
5. Diffusionモデル
5.1 アプリケーションシナリオ
| シナリオ | 従来の方法 | Diffusionモデルの利点 |
|---|---|---|
| 合成データ生成 | GAN | より安定、モード崩壊なし |
| 市場シミュレーション | モンテカルロ | より現実的な統計特性 |
| LOBシミュレーション | ルールベースモデル | 複雑なダイナミクスをキャプチャ |
5.2 TRADESフレームワーク
出典: arXiv 2502.07071（2025年2月）
位置付け: TRAnsformer-based Denoising Diffusion for LOB Simulations
アーキテクチャ:
Limit Order Book状態
|
Transformer Encoder（時空間特徴をキャプチャ）
|
DDPM（Denoising Diffusion）
|
生成されたオーダーフローパフォーマンス: Predictive Scoreが3.27倍改善（vs SOTA）
オープンソース: DeepMarket（初のオープンソースLOBディープラーニングシミュレーションフレームワーク）
5.3 Wavelet + DDPM手法
出典: arXiv 2410.18897
イノベーション: 時系列を画像に変換
複数の時系列（価格、出来高、スプレッド）
|
Wavelet変換 -> 画像
|
DDPMが新しい画像を生成
|
逆Wavelet変換 -> 合成時系列利点:
- 金融データのスタイル化された事実をキャプチャ（ファットテール、ボラティリティクラスタリング）
- GANよりも高い生成品質
- バックテストデータ拡張に使用可能
5.4 アプリケーション価値
| アプリケーション | 説明 |
|---|---|
| データ拡張 | 希少な過去データを拡張 |
| ストレステスト | 極端な市場シナリオを生成 |
| バックテスト堅牢性 | 複数のシナリオで戦略を検証 |
| プライバシー保護 | 実データを置き換える合成データを生成 |
演習: TRADESフレームワークの実用性を研究、統合可能性を評価
6. 時系列Foundation Models
6.1 概要
| モデル | 開発者 | パラメータ | 特徴 |
|---|---|---|---|
| Chronos-2 | Amazon | 120M | 2025年10月公開 |
| TimeGPT | Nixtla | - | 100B+トークンでトレーニング |
| TimesFM | - | - | |
| Moirai | Salesforce | - | - |
6.2 Chronos-2
リリース: 2025年10月20日
能力:
- ゼロショット予測（ファインチューニング不要）
- 単変量/多変量/共変量
- 単一アーキテクチャがすべてのシナリオをサポート
ダウンロード: 600M+（Hugging Face）
6.3 金融アプリケーションの考慮事項
研究知見:
- 一般的なfoundationモデルは金融での効果が限定的
- ドメイン調整モデル（例: FinCast）がより良いパフォーマンス
- 金融データの低信号対ノイズ比が主な課題
推奨:
- ベースライン参照として使用
- 金融データでのファインチューニングが必要な場合あり
- 本番シグナルへの直接使用は推奨しない
演習: 株価予測タスクでのChronos-2ゼロショットパフォーマンスを評価
7. 強化学習フロンティア
7.1 アルゴリズム候補マップ（2026年レビュー）
| シナリオ | 候補アルゴリズム | 研究上の問い |
|---|---|---|
| ポートフォリオ配分 | PPO | コストと回転率を含め、制約付き最適化を上回るか？ |
| 注文執行研究 | SAC / オフラインRL | 危険なオンライン探索なしに固定執行基準を上回るか？ |
| 離散的な研究行動 | DQN | 状態は概ねマルコフ的で、行動空間は本当に離散か？ |
| リスク感応型目的 | 分布型RL | レジーム変化時にテール推定が校正されているか？ |
7.2 ハイブリッドアプローチトレンド
クオンツ企業における本番 RL 採用率を示す信頼できる公開統計はない。論文数、アンケート、GitHub 活動、実資金の導入は別の指標であり、一つの「業界採用率」にまとめてはいけない。
ハイブリッドの利点:
| 組み合わせ | アプリケーション | 必要な証拠 |
|---|---|---|
| 系列モデル + DQN | ポートフォリオ研究 | 同じデータ分割、制約、コスト、非RL基準 |
| CNN + PPO | 暗号資産研究 | 取引所固有の費用、遅延、容量、独立ホールドアウト |
| Attention + actor-critic | マーケットメイク研究 | キュー対応シミュレーター、逆選択モデル、固定方針とのリプレイ比較 |
7.3 IMM（Imitative Market Maker）
出典: IJCAI 2024
イノベーション:
- マルチ価格レベルオーダーブックモデリング
- 模倣学習（専門マーケットメーカーから学習）
- 専門家シグナルを統合
アプリケーション: マーケットメイキング戦略のRL最適化
7.4 FinRLフレームワーク
位置付け: 金融強化学習のオープンソース標準フレームワーク
特徴:
- OpenAI Gymベースの標準化環境
- DQN、PPO、A3C、SACなどのアルゴリズムを統合
- バックテストとリスク評価をサポート
推奨使用: RL戦略開発の出発点
演習: 既存フレームワークへのFinRL統合可能性を評価
8. Multi-Agentシステム
8.1 Dynamic Gatingアーキテクチャ
コアアイデア:
利点:
- 各Agentが特定の市場状態に集中
- 単一モデルのオーバーフィッティングを回避
- 市場変化に動的に適応
8.2 FinMem
位置付け: 階層的メモリを持つLLM取引Agent
メモリ構造:
- 短期メモリ: 最近の市場イベント
- ワーキングメモリ: 現在のポジションと決定コンテキスト
- 長期メモリ: 過去のパターンと学習した教訓
8.3 TwinMarket
出典: Yang et al. 2025
特徴: 市場における個人行動と集団ダイナミクスをシミュレート
アプリケーション:
- 金融バブル形成の研究
- 市場創発現象の理解
- 複雑な市場での戦略パフォーマンステスト
演習: Multi-agent gatメカニズム実装を研究
9. 実践ロードマップ
9.1 優先順位ランキング
| 優先度 | 技術 | 理由 |
|---|---|---|
| P0 | LLM誘導RL | 解釈可能性 + パフォーマンス |
| P0 | AlphaAgent | 自動ファクター採掘 |
| P1 | GNN関係モデリング | 市場構造をキャプチャ |
| P1 | Decision Transformer | 従来のRLを置き換え |
| P2 | Diffusionモデル | データ拡張/ストレステスト |
| P2 | 時系列Foundation Models | ゼロショット予測能力 |
9.2 実装推奨
短期（1-3ヶ月）:
- FinRLフレームワークを評価
- シンプルなLLMファクター生成パイプラインを実装
- 株式関係グラフを構築
中期（3-6ヶ月）:
- Decision Transformerフレームワークを実装
- 関係予測にGNNを統合
- Multi-agent gatingシステムを開発
長期（6-12ヶ月）:
- AlphaAgentシステムを完成
- データ拡張のためのDiffusionモデル
- 本番レベルのデプロイと監視
10. 参考リソース
論文
- AlphaAgent: Multi-agent alphaファクター採掘フレームワーク
- LLM-Guided RL: arXiv 2508.02366
- Decision Transformer for Trading: arXiv 2411.17900
- TRADES: arXiv 2502.07071
- GNN Survey for Stock: ACM Computing Surveys 2024
- RL in Finance Review: arXiv 2512.10913
オープンソースフレームワーク
- FinRL: https://github.com/AI4Finance-Foundation/FinRL
- DeepMarket: （TRADES論文でリリース）
- Chronos-2: https://huggingface.co/amazon/chronos-2
- FinGPT: https://github.com/AI4Finance-Foundation/FinGPT
データセット
- FinRL Contest Dataset
- LOBSTER（学術LOBデータ）
コア原則: フロンティアを追跡しますが、盲目的に新しいものを追いかけないでください。すべての技術は、論文の結論をコピーするのではなく、特定のシナリオでの検証が必要です。主要ファームの利点は、大規模に失敗し反復する能力にあり、何らかの「魔法の」モデルを使用することにあるのではありません。