AIは人間よりも賢い。
だからAIに任せたほうが勝てる。
AIには感情がない。
だから恐怖や欲望に振り回されず、
常に冷静な判断ができる。
そして一度仕組みを作ってしまえば、
あとは自動でお金が増えていく――。
そんな理想的な未来を思い描いている人は、
少なくないはずです。
データを集め、モデルを組み、精度を改善し続ければ、いずれ“安定して勝てるAI”に辿り着く。
私も、かつてはそう考えていました。
しかし実際に、自ら設計し、実装し、
リアルマネーで運用を始めて分かったのは――
AI投資は「魔法」ではなく、極めて現実的な戦い
だということでした。
先に断っておきます。
本記事は、ロボアドバイザーの体験談ではありません。
証券会社が用意したAIを使った話でもありません。
自らモデルを設計し、データを加工し、
精度に一喜一憂しながら改善を重ね、
それを実際の資金で運用した記録です。
ロボアドの感想を読みたい人は、
ここでそっとページを閉じてほしいと思います。
これは、「AIを作る側」に立ったときに見える景色の話です。
なぜAI投資を始めたのか
そもそも、なぜ私はAI投資を始めたのでしょうか。
理由はいたってシンプルです。
興味本位
それが一番大きい。
- AIでどこまで予想を的中させられるのか
- AIを使えば本当に勝てるようになるのか
- そもそもAIはどうやって構築するのか
そんな疑問が次々と浮かび、気がつけば「試してみたい」という気持ちのほうが勝っていました。
正直に言えば、最初から大きく稼ぐつもりだったわけではありません。
「AIで相場を攻略する」というよりも、
AIという道具を、
自分の手で動かしてみたかった。
それが出発点でした。
実際に開発・運用してみて分かったAI投資のリアル
AI投資と聞くと、多くの人はこう思うかもしれません。
「勝率が高ければ利益もその分増える」
「AIは感情がないから投資の世界では無敵」
「一度作ってしまえばあとは放置でOK」
私もどこかでそう思っていました。
しかし、実際に開発して運用してみると現実は違いました。
- 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
- コードよりもデータの前処理が大変
- 検証データの作り方で結果が激変する
- データの質がAIの質を決める
ここからは、これらについて一つずつ実体験ベースでお話ししていきます。
①結局のところ感情は介入してしまう
AIは大量のデータからパターンを抽出し、
そのパターンをもとに将来を予測します。
根源はデータです。
そこに感情は一切存在しません。
恐怖も、欲も、後悔もない。
その意味では、AIは極めて合理的です。
しかし――
最終的にボタンを押すのは人間です。
銘柄選定から売買タイミングまですべてAIに任せたとしても、資金の増減を確認するのも人間。
含み損を見ているのも人間。
そして、痛みを感じるのも人間です。
大きく資産が減っていれば、
「このまま下がり続けるのではないか」
「モデルが壊れているのではないか」
という不安が頭をよぎります。
実際、私はAIが選んだ銘柄を保有していたにもかかわらず、下落が続くのを見て耐えきれず損切りをしたことがあります。
しかしその後、株価は上昇しました。
ロジックではなく、
感情で手放してしまったのです。
この経験から分かったのは、AIに感情がなくても、運用者に感情があれば完全な機械的運用にはならないということです。
AIは冷静でも、
人間は冷静ではいられない瞬間がある。
それがAI投資における現実です。
②完璧に的中するAIは作れない
株式市場は、不確定要素の塊です。
経済指標、企業決算、地政学リスク、
そして、たった一人の重要人物の発言。
それだけで相場は大きく動きます。
どれだけ過去データを学習させても、
突発的な出来事までは完全に予測できません。
未来予知能力がない限り、
100％的中するAIは存在しないのです。
それでも当時の私は、
「90％くらいは当てられるのではないか」
と本気で考えていました。
データを増やし、特徴量を工夫し、モデルを改良し続ければ、限界はどんどん上がると思っていたのです。
しかし、現実は違いました。
どう試行錯誤しても、
的中率はおよそ60％前後で頭打ちになりました。
一時的に数値が良くなることはあっても、
安定して90％に近づくことはありませんでした。
このとき、ようやく理解しました。
市場は「正解か不正解か」の世界ではない。
確率の世界なのだと。
60％という数字は、一見すると平凡に見えます。
しかし裏を返せば、
10回中6回は優位性があるということ。
投資において重要なのは、
完璧さではなく期待値です。
AIに完璧さを求めると失望します。
しかし、不完全であることを前提に使うなら、
AIは強力な武器になります。
AIは未来を断言する存在ではありません。
未来に対して、
わずかに確率を傾ける装置なのです。
③コードよりもデータの前処理が大変
AI投資を始める前、私はこう思っていました。
「AIは難しそう」
「きっとコードを書くのが一番大変なのだろう」
しかし実際に取り組んでみると、
本当に大変だったのはそこではありませんでした。
大変なのは、データの前処理だったのです。
AIはデータから学習します。
ですが、そのデータを何も加工せずそのままモデルに入れても、良い結果は出ません。
現実の株価データには、
- 欠損値
- 出来高ゼロの日
- 異常値
- 銘柄ごとの特性差
など、さまざまな“歪み”が含まれています。
これらを整理し、補填し、整形し、
ようやくAIが学習できる形になります。
この作業が、想像以上に地味で、重い。
- 欠損値はどう扱うのか
- 前日の値で埋めるのか、削除するのか
- 出来高ゼロの日は無視してよいのか
- 特徴量はどこまで増やすべきか
正解は、誰も教えてくれません。
ネットに「正しい前処理の方法」は載っていない。
試して、検証して、失敗して、またやり直す。
この繰り返しです。
結局のところ、技術的な難しさよりも、
正解が分からないまま進み続けることのほうが大変でした。
コードを書く時間よりも、
データと向き合う時間のほうが圧倒的に長い。
AI投資とは、
派手なアルゴリズムとの戦いではありません。
地道な前処理との格闘なのです。
④検証用データの作り方で結果が激変する
ほとんどの場合、AIを構築したら、その性能を確認するために「検証用データ」を用意します。
一般的には、学習データの中からランダムに取り出して評価します。
しかし、AI投資においてはこの“当たり前”が通用しませんでした。
なぜなら、
投資の世界は時系列がすべてだからです。
ランダムにデータを取り出してしまうと、未来の情報が学習側に含まれてしまう可能性があります。
例えば、
2020年～2026年のデータを使うとします。
この中から2024年のデータを検証用として取り出した場合、学習データには2025年～2026年のデータも含まれることになります。
つまり、AIは“未来を知っている状態”で
過去を予測しているのです。
これでは精度が高くなるのも当然です。
実際、こうしたデータ分割をしていたときは精度が驚くほど良くなりました。
しかしそれは、
モデルが優れていたからではありません。
単なる“未来情報の混入”でした。
さらにもう一つの落とし穴があります。
検証期間が短すぎる場合です。
例えば、強い上昇トレンドだけの期間でテストしてしまうと、どんなモデルでもそれなりに良い結果が出ます。
しかし、実運用で横ばい相場や急落相場に入ると、一気に成績が崩れます。
つまり、検証結果は、モデルの実力だけでなく期間の選び方にも大きく依存するということです。
⑤データの質がAIの質を決める
AIはデータからパターンを学習します。
だからこそ、データが歪んでいれば、
AIも歪んでしまいます。
これは理屈では分かっていても、実際に体験しないと本当の意味では理解できませんでした。
私はかつて、「1年間で株価が3倍になる銘柄を特定するAI」を開発していました。
発想としてはシンプルです。
過去データから特徴を抽出し、
将来3倍になる銘柄を分類するモデルを作る。
しかし、ここに大きな落とし穴がありました。
そもそも、1年間で株価が3倍になる銘柄はごく少数です。
つまり、データは極端な不均衡状態になっていたのです。
当時の私は、
その偏りを深く考えていませんでした。
モデルを学習させ、検証データで評価したところ、的中率は90%
非常に優秀に見えました。
「これはいける」とさえ思いました。
しかし、予測内容をよく確認すると、
衝撃の事実が判明します。
モデルは、すべての銘柄に対して「3倍にならない」と予測していたのです。
3倍になる銘柄はそもそも少ない。
だから「全部ならない」と言えば、
的中率は高くなるのも当然です。
これはAIが賢かったわけではありません。
ただ単に、データの偏りをそのまま学習していただけでした。
このように、データの設計こそがAIの本質です。
実際に運用してみて儲かったのか？
では、結局のところどうだったのか。
私は現在、3ヶ月で株価が50%以上上昇する銘柄を特定するAIを開発し、実際に運用しています。
結果としては――
ほどほどに儲かりました。
2025年度の年利は約5.7％。
爆発的なリターンではありません。
市場を圧倒したわけでもありません。
しかし、年間トータルではプラスで終えることができました。
途中で大きな損失を出したこともあります。
「やはりAIは通用しないのではないか」
そう思った瞬間もありました。
それでも、ルールを守り、検証と改善を続けた結果、最終的にはプラスに着地しました。
正直に言えば、儲かるといえば儲かる。
これが一番正確な表現です。
楽して大儲けできる世界ではない。
一発逆転を狙うものでもない。
しかし、確率に少しだけ優位性を持たせ、
地道に積み上げることはできる。
それが、私の出した答えです。
詳細な運用結果については、
こちらの記事にまとめています。
AI投資はアリかナシか
結論から言えば、目的次第です。
AI投資は万能ではありません。
絶対に儲かる仕組みでもありません。
構築は大変です。
メンテナンスも終わりがありません。
モデルの改善、データの更新、検証のやり直し。
想像以上に地道な作業の連続です。
それでも、私は「アリ」だと思っています。
なぜなら、お金以外に得たものがあまりにも大きかったからです。
- AIの知識
- Pythonの知識
- データへの理解
- 検証設計の思考力
- 不確実性と向き合う姿勢
これらは投資だけでなく、仕事にも直結します。
実際、AIやデータ活用の知識は転職市場においても確実に武器になります。
つまり、AI投資は
資産運用でありながら、自己投資でもある
のです。
ただし――
「楽して儲けたい」
「自動でお金が増えてほしい」
その理由だけで始めるなら、
正直おすすめしません。
それなら投資信託を積み立てていたほうが、
精神的にも効率的にも健全です。
AI投資は、魔法ではありません。
あくまで補助的なツール。
そして、お金を稼ぐこと“だけ”を目的にしない人にとっては非常に価値のある挑戦です。
AI投資によってお金以外で得たもの
AI投資によってお金は得ることができましたが、
それ以外に得るものが多かったです。
- 感情を排除した運用手段
- Pythonの知識
- AIの知識
- データへの理解力
これらはお金よりも価値のあることだと私は思っています。
感情を減らした運用手段
AIには感情がありませんが、人間の感情がどうしても介入してしまうため、感情をゼロの状態にすることはできません。
しかし、以前の私よりも圧倒的に感情を減らした運用をすることができるようになったことは事実です。
以前の私は、
「もう下がってほしくない」
「上がりすぎてるから早めに利確しておこう」
というように感情を含めて取引を行っていました。
「なんとなく上がりそうだから買う」
「なんとなく下がりそうだから売る」
というように判断基準もあいまいでした。
AI投資を取り入れたことで、
判断の基準が“感情”から“ルール”に変わったのです。
エントリーも、利確も、損切りも、「なんとなく」ではなく、事前に定義したルールに従うだけに。
この手段を得たのは、投資を行う身にとって非常に大きいものと考えています。
Pythonの知識
AIは主にPythonを用いて構築します。
モデルを組み、学習させ、検証し、改善する。
その過程で触れるのは、単なる基本構文だけではありません。
- データ解析用のライブラリ
- 数値計算
- 可視化
- 前処理
- モデル評価
- 自動実行の仕組み
AI投資を続ける中で、
これらに自然と触れることになります。
結果として、Pythonの知識は
想像以上に広がっていきました。
そして気づきました。
このスキルは、投資以外でも使えると。
実際に私は、仕事で行っていたWindowsの手動設定作業をPythonを使って自動化しました。
これまで人が一つひとつ設定変更していた作業を、
スクリプトで一括処理できるようにしたのです。
その結果、
- 作業時間の短縮
- ヒューマンエラーの削減
- 作業の標準化
を実現できました。
これは、AI投資に取り組まなければ
身につかなかったスキルです。
AI投資は単なる資産運用ではなく、
プログラミング力を実践的に鍛える場
でもありました。
相場で得たリターンは数％かもしれません。
しかし、Pythonのスキル向上による業務効率化や市場価値の向上を考えれば、そのリターンは数字以上のものだったと感じています。
AIの知識
AI投資である以上、モデルの仕組みを理解せずに運用することはできません。
- AIにはどんな種類があるのか
- 教師あり学習と教師なし学習の違い
- 過学習とは何か
- 特徴量とは何か
- 学習データと検証データの分け方
- なぜ精度が高くても勝てないことがあるのか
こうした概念を、
一つひとつ理解する必要がありました。
表面的な「AIはすごい」という話ではなく、
実装レベルでの理解が求められる。
実際、私はモデルの学習方法から評価指標の選び方まで、試行錯誤を繰り返す中で身につけていきました。
そして気づきました。
この知識は、
投資以外の場面でも活きるということに。
仕事の現場で、
「この業務には分類モデルが使えそうだ」
「この予測には時系列モデルが向いている」
「このデータ量ならディープラーニングは過剰かもしれない」
そんな発想が自然と浮かぶようになりました。
これは、数字以上に大きなリターンだったと思っています。
データへの理解力
AI投資を始める前の私は、
正直に言えばこう考えていました。
「とにかく大量のデータを学習させればいい」
「ランダムにデータを取り出して精度を測れば問題ない」
今思えば、かなり甘い認識でした。
しかし実際にモデルを構築し、
何度も失敗を繰り返す中で気づきました。
結果を左右しているのは、
モデル以前に“データの扱い方”だということに。
大量のデータを与えたからといって、
それがそのまま精度向上につながるわけではありません。
- ノイズが混じっている
- 欠損値が適切に処理されていない
- 未来情報が紛れ込んでいる
- 時系列なのにランダムに分割している
こうした小さな“前提の崩れ”が、
いとも簡単に結果を歪める。
特に投資の世界では、検証方法を誤れば、いくらでも「勝てているモデル」を作れてしまいます。
その事実を知ったとき、データは単なる数字の集合ではないと痛感しました。
この“データを見る目”が養われたことは、AI投資を通じて得た最大級の副産物かもしれません。
データを疑い、前提を疑い、構造を疑う視点は、
どんな分野でも通用する力になります。
それを学べたことは、この上ないメリットだったと感じています。
AI投資が向いている人・向いていない人
実際に開発し、実際に運用している立場から言えば、AI投資には明確に「向き・不向き」があります。
AI投資に向いている人
- 株式投資をすでにやっていて、なおかつAIに興味がある人
- 転職やキャリアに役立つスキルを身につけたい人
- 結果だけでなく“過程”や“改善”を楽しめる人
- 地味な作業をコツコツ続けられる人
AI投資は、モデルを作って終わりではありません。
検証し、修正し、また検証する。
その繰り返しです。
改善そのものを楽しめる人にとっては、
非常に面白い分野だと思います。
AI投資に向いていない人
- とにかく利益だけを重視する人
- 楽して儲けたいと思っている人
- 一発逆転を狙っている人
AI投資は、「爆発力」よりも
「再現性」を追う世界です。
短期間で大きく儲けたいのであれば、他の投資手法のほうが合っているかもしれません。
AIは魔法ではありません。
むしろ、
不確実な世界で、わずかな優位性を積み上げるための道具
です。
華やかなイメージとは裏腹に、
実態はかなり地味です。
だからこそ、それを理解したうえで挑戦する人には価値があります。
まとめ｜AI投資は儲かると言えば儲かる
結果として、AI投資によって利益は出ました。
損をして終わったわけではありません。
しかし、年利で見れば、株価指数を大きく上回るようなものではありませんでした。
決して夢のような成績ではありません。
だからこそ言えます。
楽をして稼ぎたい人や、一発逆転を狙いたい人にはおすすめしません。
AIは魔法ではありません。
放っておけばお金が増える装置でもありません。
むしろ、試行錯誤し、検証し、疑い、
修正し続ける地道な作業の積み重ねです。
それでも、私はやってよかったと思っています。
なぜなら、お金以上に得たものがあったからです。
- AIの知識
- Pythoの知識
- データを見る力
- 前提を疑う思考習慣
- 構造で物事を考える視点
これらは相場がどう動こうと失われません。
AI投資は、資産運用であると同時に、自分自身への投資でもある。
それが、私にとってのAI投資のリアルです。
コメント