「AIを使えば株で自動的にお金が増える」
そんなイメージを持っている人は多いと思います。
実際、最近は
- AIが銘柄を選んでくれる
- AIが自動売買してくれる
- AIに任せれば人間より勝てる
といった情報をよく見かけます。
しかし、実際にAI投資を開発して運用してみると分かるのですが、AI投資は「AIを使えばすぐできるもの」ではありません。
AIモデルを作るだけでも、
- Pythonの基礎知識
- データ分析の理解
- 機械学習の知識
- 投資データの扱い方
など、いくつもの知識が必要になります。
しかも多くの解説は、
- 機械学習だけ説明している
- Pythonだけ説明している
- 投資だけ説明している
といった具合に、全体の道筋が見えないことが多いのが現実です。
そこでこの記事では、
「自分でAI投資を作れるようになるまでの完全ロードマップ」
を、実際にAI投資を開発・運用している立場から整理して解説します。
「AI投資に興味はあるけど、何から始めればいいか分からない…」
そんな人でも、この記事を読めばどの順番で学べばAI投資が作れるようになるのかが分かるはずです。
なぜ“AI投資”はほぼ全員が挫折するのか
断言しますが、AI投資はほぼ全員が挫折します。
これは才能の問題ではありません。
AI投資には、多くの人が途中で諦めてしまうだけの理由があるからです。
主な要因は以下の通りです。
- 覚えることがたくさんある
- データの前処理に時間がかかる
- 一発ではうまくいかない
- 終わりがない
生半可な気持ちで始めると、
ほぼ確実に挫折します。
それなりの覚悟が必要です。
もしあなたがAI投資で何かを成し遂げたいと思っているのであれば、その難しさを理解したうえで、覚悟を持って取り組むことをおすすめします。
覚えることがたくさんある
AI投資という言葉を聞くと、「AIの知識だけあればできる」と思う人も多いかもしれません。
しかし実際には、AIだけを学べばいいわけではありません。
例えば、以下のような知識が必要になります。
- Pythonの知識（プログラミング）
- 機械学習の知識
- データ分析の知識
- 株式市場の理解
- データ収集、前処理のスキル
つまり、AI投資とは複数の分野の知識が重なって初めて成立するものなのです。
そのため、多くの人が途中でこう感じます。
「覚えることが多すぎる…」
AIを学び、Pythonを学び、機械学習を理解し、データを扱えるようになる。
この長い道のりの途中で、ほとんどの人が挫折してしまいます。
データの前処理に時間がかかる
AI投資で意外と時間がかかるのがデータの前処理。
多くの人は、AI投資というと
「モデルを作ること」
「コードを書くこと」
が一番大変だと思いがちです。
しかし実際には、コードを書く時間やAIの学習処理自体はそこまで大きな負担ではありません。
本当に時間がかかるのは「AIに学習させるデータを作り込むまでの過程」です。
例えば、
- 不要なデータの削除
- 欠損データの処理
- 指標の作成
- 学習データと検証データの分割
- 特徴量の設計
こうした作業を一つ一つ積み重ねていく必要があります。
さらに厄介なのが、データには「これが正解」というものが存在しないことです。
- どのデータを使うべきか
- どんな特徴量を作るべきか
- どの期間を学習させるべきか
これらは明確な答えがあるわけではなく、
試行錯誤を繰り返すしかありません。
その結果、
「こんなに時間をかけて意味があるのか？…」
というあきらめモードに入りやすくなります。
AI投資で多くの人が挫折する理由は、AIそのものの難しさではなくこの終わりの見えないデータ作りの工程にあります。
一発ではうまくいかない
AI投資の開発では、一発でうまくいくことはほとんどありません。
コードを書いて実行しても、そもそもコードが正しく動かなかったり、エラーが発生したりします。
仮にコードが動いたとしても、
次は別の問題が出てきます。
例えば、
- 過学習が発生している
- 学習データでは精度が高いのに実運用では通用しない
- 思ったような予測結果にならない
このように、問題が一つ解決しても、また次の問題が見つかるということの繰り返しになります。
つまり、AI投資の開発とは「作る → 試す → 失敗する → 改善する」というサイクルを何度も回し続ける作業なのです。
しかし、この過程を経験したことがない人は
「自分には向いていないのではないか…」
と感じてしまい、途中で諦めてしまうことが多くなります。
終わりがない
AI投資には、「これをやったら終わり」という明確なゴールが存在しません。
例えば資格試験であれば、合格すれば一つの到達点になります。
しかしAI投資の場合、そうした分かりやすいゴールはありません。
たとえモデルを作ったとしても、
- 精度をもう少し上げられないか
- 別の特徴量を追加できないか
- 別のモデルを試せないか
と、改良しようと思えばいくらでも手を加えることができます。
つまり、突き詰めればどこまででも改善できてしまう世界なのです。
その結果、開発を続けていると
まるで何も見えない暗闇の中をさまよっているような感覚
に陥ることもあります。
終わりの見えない戦いのように感じてしまい、途中であきらめモードに入ってしまう人も少なくありません。
さらに、この状況を特につらく感じやすいのが完璧主義の人です。
「もっと良くできるはずだ」
「まだ完成とは言えない」
と考え続けてしまうと、いつまでも満足できず、疲れてしまうからです。
フェーズ０：まずは知っておくべき現実
実際にやってみると分かりますが、AI投資の現実は、多くの人が思い描いているものとはかなり異なります。
AIという言葉から、以下のようなイメージを持つ人も多いでしょう。
- AIが自動で売買してくれる
- 人間よりも正確に未来を予測できる
- 一度作ればお金を生み続けてくれる
しかし、実際に開発・運用してみると見えてくる現実はかなり違います。
例えば、以下のようなものです。
- 結局のところ感情は介入してしまう
- 完璧に的中するAIは作れない
- コードを書くことよりもデータの前処理が大変
- 検証用データの作り方で結果が大きく変わる
- データの質がAIの質を決める
実際に取り組んでみると、「思っていたのと違う…」と感じる人も少なくありません。
そして、このギャップが途中で挫折してしまう原因になることもあります。
だからこそ、まずはAI投資の現実を正しく理解することから始めることが大切です。
詳細は以下の記事をご覧ください。
フェーズ１：Pythonの基礎知識習得
まず最初に取り組むべきことは、AIの土台となるPythonを学ぶことです。
いきなりAIモデルの作り方や高度なライブラリを学ぶのではなく、まずはPythonの基礎的なコードから理解することをおすすめします。
というのも、AIのプログラムも結局は Pythonの基本的な仕組みの上に成り立っているからです。
例えば、以下のような基礎知識です。
- 変数
- 条件分岐（if文）
- ループ処理（for / while）
- 関数
- リスト・辞書などのデータ構造
- ファイルの読み書き
AI用のライブラリを使う場合でも、これらの基礎が理解できていないと「エラーの原因が分からない」「コードを改良できない」といった問題に必ずぶつかります。
そうした問題を避けるためにも、基礎を重点的に身に付けておきましょう。
Pythonの基礎知識は、インターネット上の無料教材でも十分学ぶことができます。
現に私は以下のサイトの無料プランで学習しました。
もちろん無料で学ぶのも全く問題ありませんが、「できるだけ早く習得したい」「体系的に学びたい」という人は、プログラミングスクールを利用するという選択肢もあります。
独学よりも短期間で効率的に学べる可能性があるので、1つの手段として考えておくと良いでしょう。
フェーズ２：データへの理解
AI投資はよく「モデルが重要」と思われがちですが、実際にはデータの質がAIの性能を大きく左右します。
どれだけ高度なモデルを使っても、学習させるデータが悪ければAIの質も悪くなります。
つまり、AI投資ではモデルより先に「データを理解する力」 が必要になります。
そのため、以下のようなデータの特徴は必ず理解しておきましょう。
① 時系列データ
時系列データとは、時間の経過に伴って測定されたデータのことです。
株価データはまさに時系列データになります。
時系列データは時間が関与しているため、安易にランダム化してはいけません。
通常の機械学習では、データをシャッフルした後、「学習用として用いるデータ」と「検証用として用いるデータ」に分割します。
しかし株価データでは、
過去データ → 学習用データ
未来データ → 検証用データ
という形にしないと未来の情報が分かっている状態で学習してしまい、学習の意味がなくなってしまいます。
これはAI投資ではかなり重要なポイントです。
② クラス不均衡データ
クラス不均衡データとは、あるデータを2つ以上に分類する際、片方のデータがもう片方のデータよりも極端に少ないデータのことです。
株価予測では、このクラス不均衡がほぼ必ず発生します。
例えば、
上昇する銘柄：10%
それ以外：90%
のようなデータになることがよくあります。
この場合、AIは全部「上昇しない」と予測するだけで90%の正解率になってしまうことは分かるでしょう。
つまり、「正解率だけではAIの性能を評価できない」という問題が発生します。
そのため以下のような対策が必要になります。
- クラス重み
- アンダーサンプリング
- オーバーサンプリング
- Focal Loss
AI投資ではかなり重要なテーマなので、ここは必ず理解しておきましょう。
③ スケーリング（正規化）
機械学習では、データのスケール（大きさ等）を揃えることも重要です。
例えば次のようなデータがあるとします。
株価：1500
出来高：3,000,000
RSI：70
このままAIに学習させると、数値の大きい特徴量が強く影響してしまうという問題が起きます。
そのため、以下のような処理を行います。
- Min-Maxスケーリング
- 標準化
- 正規化
特にニューラルネットワーク（LSTMなど）を使う場合、このスケーリングという処理はほぼ必須です。
フェーズ３：機械学習の基礎知識習得
機械学習とは、膨大なデータからパターンや特徴を見つけ出し、未知のデータに対して予測を行うことです。
AI投資の多くは、この機械学習を利用して株価のパターンを見つけ出します。
そんな機械学習は大きく3つの種類に分類されます。
① 教師あり学習
教師あり学習とは、正解データ（ラベル）を加えて学習させる手法のことです。
例えば株価予測では以下のように正解データを付与したうえでAIに学習させます。
| データ | 正解データ（ラベル） |
|---|---|
| 過去の株価・指標 | 上昇（1） |
| 過去の株価・指標 | 下落（0） |
そしてこの教師あり学習はさらに2種類に分かれます。
分類
分類とは、対象のものがどのカテゴリーに属するかを予測する問題のことです。
例えば次のようなカテゴリーが用意されていた場合、対象の銘柄がどのカテゴリーに属するかをAIが予測します。
| カテゴリー１ | 株価が上がる | 株価が上がらない |
| カテゴリー２ | 明日上昇する | 明日下落する |
| カテゴリー３ | 購入する | 見送る |
AI投資では最もよく使われる手法になります。
回帰
回帰とは、過去のデータに基づき、連続する未来の数値を予測する問題のことです。
例えば、以下のような数値を予測したい場合は回帰問題になります。
- 明日の株価
- 5日後のリターン
- 将来の価格
ただし実際のAI投資では、「価格」そのものより、「上がる確率」を予測する分類の方が使われやすいという特徴があります。
② 教師なし学習
教師なし学習とは、正解データを与えずAI自ら隠れたパターンや規則性を見つける手法のことです。
一般的には以下のような場面で用いられています。
- ECサイトでの顧客のグループ分け
- 動画やECサイトでのおすすめ機能
- クレジットカードの不正利用検知
AI投資では未来を直接予測するというよりも、
相場の構造を理解するために用いられています。
具体的には次の通りです。
- 市場状態の分類
- 値動きが似ている銘柄の分類
- 暴騰や暴落の検出
通常は、教師なし学習によって市場を分類してから株価を予測するAIを用いるという流れが多いです。
③ 強化学習
強化学習とは、試行錯誤を繰り返し、最適な行動を取るよう学習する手法のことです。
行動に対する結果、結果に対する報酬のサイクルを回しながら、最終的な報酬が最大となるよう行動を最適化していきます。
株式投資に置き換えると次の通りです。
行動：買う
↓
結果：利益
↓
報酬：プラス
この報酬を最大化するよう、AIが学習していきます。
実際に強化学習は「自動売買」や「トレーディング戦略」などで研究されていますが、実装難易度はかなり高め。
そのためAI投資ではまず「教師あり学習 → 深層学習」という順で学ぶのが一般的です。
フェーズ４：AI投資の本格実装
Pythonの知識、データへの理解、機械学習の基礎知識を身に付けたら、いよいよAI投資を実装するフェーズに入ります。
ここからは、実際にAIモデルを構築し、投資に活用できる形にしていく段階です。
AI投資の実装は、一般的に以下のような流れで進めていきます。
- 作業環境の整備
Python環境や必要なライブラリを準備する - 目的や方針の決定
何を予測するのか（株価・上昇確率など）
どのような戦略を目指すのかを決める - データの収集
株価データや指標データなど、学習に必要なデータを集める - データの前処理
欠損値処理や特徴量作成など、AIが学習できる形にデータを整える - アルゴリズムの選定
機械学習モデル（例：回帰モデル、ニューラルネットワークなど）を選ぶ - モデルの構築・学習
モデルを作成し、データを使って学習させる - モデルの評価・改善
検証データを使って精度を確認し、改善を繰り返す
ここまでの工程を一通り回すことで、AI投資の基本的な仕組みを構築することができます。
なお、各ステップの詳細については以下の記事で解説しています。
フェーズ５：AI投資の検証・改善
実装できたらいよいよ最後のフェーズです。
自分で作り上げたAIが正しく予測するかを実際の環境で検証していきます。
ここで、テスト段階ではうまくいっていたけど、実際の環境だとうまくいかなかったなんてことも多いです。
理由としては次のことが挙げられます。
- 過学習
- 市場環境の変化
- データの偏り
- 取引コストやスリッページ
うまくいかなかった場合でも臨機応変に改善していくことが重要です。
具体的には以下のような改善になります。
- 特徴量の追加
- モデルの変更
- パラメータ調整
- データ期間の見直し
こうした改善を繰り返すことで、AIの精度や安定性を少しずつ高めていきます。
また、株式市場は常に変化します。
過去に有効だった戦略が機能しなくなることもあります。
市場に合わせ、自分のAIもアップデートしていくことが必要です。
AIは一度作ったら終わりではありません。
検証と改善を繰り返す必要があります。
そういった意味では、本当のスタートというのは実際の運用を始めてからになります。
まとめ
改めて、自分でAI投資を作れるようになるまでの流れを整理しておきましょう。
- フェーズ1：Pythonの基礎知識習得
- フェーズ2：データへの理解
- フェーズ3：機械学習の基礎知識習得
- フェーズ4：AI投資を本格実装
- フェーズ5：AI投資の検証・改善
このように、AI投資を作れるようになるまでの道のりは決して短くありません。
途中で挫折してしまうポイントも多く、学ぶべきことも数多くあります。
特に独学で進める場合は、ある程度の覚悟と継続力が必要です。
とはいえ、一歩ずつ進めていけば、自分だけのAI投資モデルを作れるようになるのも事実です。
もし、
「できるだけ早く作れるようになりたい」
「一人で進めるのが不安」
という場合は、プログラミングスクールを活用するのも一つの戦略でしょう。
大切なのは、途中で止まらず、少しずつでも前に進み続けることです。
コメント