三菱 UFJ 信託資産運用情報 1/15
２０１９年１１月号
資産運用と AI ～ 運用者は AI に代わられてしまうのか？
(後編)
Ⅰ．はじめに (前編)
Ⅱ．AI ファンドの現状 (前編)
１.AI ファンドの運用状況
２.AI はどのようにマーケットを学習するのか？
３.景気後退のシグナルとしての米国イールドカーブ
４.米国のイールドカーブの変化が AI の投資判断となった可能性
Ⅲ．資産運用において AI に立ちはだかる壁 (前編)
１.実はマーケット予測に AI は向いていない？
２.株価は本当にランダムウォークか？
３.ランダムウォークするマーケットを AI で予測するには
Ⅳ．マーケット AI 予測モデルの実装 (後編)
１.AI に意味のないデータを入れる時代は終焉する
２.その学習データは未来予測できるだけの情報をもっているのか？
３.為替の AI 予測モデルの実装
Ⅴ．今後の展望 (後編)
資産運用部 債券運用第２課 兼 先端金融工学運用室
シニアファンドマネージャー 樋口 裕之
【序章】
前編(10 月号)では、AI が過去のマーケットデータについてどのように学習するのか、そ
して、実際の資産運用において AI を構成する機械学習アルゴリズムが直面する課題として、
マーケットであるがゆえに“過去データの再現性の低さ”や“マーケットデータに含まれる
意味のないトレンド”の問題をどのようにクリアするのか、について述べ、これらの壁をど
のようにして乗り越えたのかというモデル開発者の巧拙が運用パフォーマンスに大きく影響
することを説明した。
そして、これからの資産運用実務者は、これらのノウハウを AI モデルの開発という領域
に留めず、今やマーケットを動かす原動力の一つとして、通常の投資判断においても AI モ
デルの投資行動を考慮した上でマーケットを見通すスキルが求められている、ということを
述べた。
本号では、実際に複数の機械学習アルゴリズムを用いてマーケット AI 予測モデルを構築
する過程について紹介する。
目 次
三菱 UFJ 信託資産運用情報 2/15
２０１９年１１月号
Ⅳ.マーケット AI 予測モデルの実装
本章では、実際に筆者が開発した AI モデルをベースにモデルの技術的な構築方法と注意
点等について解説することで、よりリアルに資産運用における AI の世界を感じていただき
たい。尚、本章以降の分析は筆者の専門である為替・金利系のデータを用いて行う。
１．AI に意味のないデータを入れる時代は終焉する
数年前まではモデルを開発する際、｢AI がすべて判断してくれるので、関係性がありそう
なデータを何でも入れるべきだ｣と主張する人も多かったと思う。この主張は画像・音声に
ついては正しいのかもしれない。なぜなら、画像・音声データには多少ゴミデータが入っ
ていても、再現性の高いデータが大量にあるため、ゴミを識別しやすいからである。
また近年、関係がありそうなデータを大量に投入して AI モデルをチューニング 1 する方
法が主流となった背景には、図表１の①プログラミング知識、②機械学習メソッド等を理
解する数学的知識、③予測対象データの知識 を同時に持つ人材が圧倒的に少なかったこと
によるものであろう。①、②を持ったデータサイエンティストは一定数存在しており、彼
らは画像や音声分野などの分野で成功体験を積んでいたため、マーケット知識はないが、
関係がありそうなデータを大量に投入し、AI モデルをチューニングして予測結果を出しま
した、というのが実情かと思う。また、巷の AI の本には①について書かれている AI ハウ
ツー本が多くある。ただ、モデルの評価を理解するには統計の知識も必要であるし、機械
学習の性質に応じた学習データの加工方法など、機械学習の構造を理解する数学力も必要
であろう。その意味では①、②、③の知識を同時に持った人材を組織が意識的に育てる必
要があろう。そのような人材が育てば、AI に意味のないデータを入れる時代は終焉すると
思われる。ただし、③のマーケット知識は一朝一夕には身につかず、 低でも３～５年程
度は必要であろう。そうであれば寧ろ、マーケット知識を有するファンドマネージャーに
データサイエンスの知識を教育することが一番の近道と考える。
1 AI を構成する機械学習アルゴリズムのパラメータを調節して学習データ内における適合度を上げる方法。これをあまりやり
すぎると、過学習になりやすくなる。
三菱 UFJ 信託資産運用情報 3/15
２０１９年１１月号
２．その学習データは未来予測できるだけの情報をもっているのか？
既述のとおり、マーケットデータの予測には、未来予測力のある純度の高い学習データ
の使用が望ましい。ただし、機械学習アルゴリズムの多くはブラックボックスに近く、学
習データが未来予測できるだけの情報をもっているか否かの判別は難しい。そこで、ここ
では計量分析で予測対象と関係の高いデータを絞り込み、tSNE 2 と呼ばれる次元圧縮手法
を用いて 10 種類のデータを２次元と３次元データに圧縮して観察してみよう。それにより
再現性が高く、純度の高いデータとはどのようなものか視覚的にご覧頂こうと思う。
図表２は、ある t 時点のデータ(日米金利差や為替の変動など加工したデータ 10 種類)に
１日先( t +１時点)のドル円のヘッジコストが上昇：○、下落：▲、横ばい：×のラベルを
付け、t 時点データ 10 種類を２次元(Y１、Y２)と３次元(Y１、Y２、Y３)に圧縮し、グラ
フ化したものである。
２次元データの場合は左下、３次元データの場合は下側に、×のラベル、つまり横ばい
の比率を多く観察することができる。これは、t 時点のデータ 10 種類が t +１時点のドル円
ヘッジコスト横ばいを予測できるだけの情報を持っている可能性を示唆している。ちなみ
に、図中の黒丸(●)が今回 AI で予想しようとしているデータである。黒丸が×の近辺にい
るので横ばいの可能性が高いことがデータ構造からも見て取れる。
2 t 分布型確率的近傍埋め込み法(T-distributed Stochastic Neighbor Embedding) 高次元のデータ集合を２次元または３次元
へ配置する際に、高い確率で類似した集合が近傍に、異なる集合が遠方となるように表現する機械学習アルゴリズム。確率
分布に基づいて分別しているため、非線形次元削減(圧縮)手法と呼ばれる。一般的な次元削減(圧縮)といえば主成分分析
(PCA)をよく用いるが、同分析は非線形データではうまく結果を得ることができない。特にマーケットデータは非線形デー
タが多いので筆者はこの tSNE を使用している。
出所：三菱 UFJ 信託銀行作成
図表１：資産運用の AI モデル開発に必要な知識
①プログラミング知識
(プログラマー等)
②機械学習メソッド等
を理解する数学的知識
（大学レベル統計知識保有者）
③予測対象データの知識
（マーケット従事者）
データサイ エンティスト
三菱 UFJ 信託資産運用情報 4/15
２０１９年１１月号
もちろん、すべてこの方法で視覚化できる訳ではないが、再現性の高いものに関しては
図表のように抽出することができることが多い。
ちなみに画像データを tSNE で次元圧縮するとどうなるだろか？ ピクセル化された手
書き画像データ 3(１ピクセルが白：０～黒：256 の数字で色が表現され、それら 784 ピクセ
ルで１画像データを構成)を 1,000 枚用意し、以下のように“A”: ０、“B”: １、“C”:
２というラベルを付ける。このピクセル化された数字を次元圧縮した結果が次々ページの
図表３であり、“A”、“B”、“C”が非常に明確に区別されているのが分かる。これが
画像データとマーケットデータの再現性の違いである。これだけデータの質が違うのであ
る！
3 MNIST データと呼ばれ、米国の高校生や合衆国国勢調査局の職員が手書きした 70,000 枚の数字画像データであり、機械学
習の分析をする際によく用いられるデータセットである。本分析ではそのうち 1,000 枚を無作為に抽出している。出所は
MINIST database (Mixed National Institute of Standards and Technology database)。http://yann.lecun.com/exdb/mnist/
出所：Mixed National Institute of Standards and Technology database
三菱 UFJ 信託資産運用情報 5/15
２０１９年１１月号
tSNE(3D)
-40 -30 -20 -10 0 10 20 30 40
-40
-30
-20
-10
0 1
0 2
0 3
0 4
0
-40-30
-20-10
0 10
20 30
40
Y1
Y2Y
3
▲〇▲××▲▲〇×▲▲×〇×××××××▲〇××××▲▲××▲▲×〇××× ×××▲××× ××××〇×〇〇×▲▲×× × 〇〇▲×××××〇×〇×
×〇▲×××▲×××××××××××××× ××〇××× × ××▲××××× ×××××××××××××××××〇×▲▲××〇▲×× 〇×〇×▲××× ×▲×
×××▲×××××××▲××××××××
××××××××〇〇〇〇〇××××▲××▲▲▲
×▲▲▲××〇×××▲
××▲××××××××××××〇
▲▲〇▲〇××▲×〇
××▲〇×××
× ×××××××
×
▲
×××××××
××××
××××〇▲▲
×▲
××〇×
××
×
×〇▲▲
××××××〇〇×
×▲〇××××××〇××
××▲
×〇〇×▲ ××××××× × ×▲×
×〇
×▲×××〇×
×××〇〇▲〇×▲××〇××××〇
××××××
×▲▲〇〇×▲××〇
××× ××××××▲
×▲▲〇××▲〇〇〇〇〇〇▲▲
〇〇〇〇
〇▲〇▲
××▲×〇
××〇〇
▲
▲
××▲〇〇×
×〇
〇▲
▲ ▲×
▲×〇▲×▲▲×××××××× ××〇×××〇〇〇〇〇
▲〇▲〇▲
▲×
▲〇▲
▲▲〇▲▲
×▲▲〇××▲×▲〇
×
▲×
×〇〇〇
▲×▲▲〇〇〇
〇▲▲
〇
▲×
〇 ▲×× ▲▲×
〇×▲×〇×▲▲〇〇▲〇〇▲▲×〇
×▲
〇×〇▲ ××
▲×〇
〇〇▲
〇▲▲〇××▲▲×▲〇××▲
▲▲×▲〇×
×▲〇〇×▲×▲×〇×▲〇×××▲▲×▲〇▲
〇××〇〇▲〇〇▲▲
〇〇〇
▲▲〇
〇▲▲▲
〇×▲▲〇▲〇
〇▲▲××
〇 ▲×▲▲▲▲×
×〇〇▲ ▲××
××▲×〇〇▲××〇××▲
▲×
〇▲×
×
〇▲×
〇〇〇〇×
×
〇〇〇▲
〇〇〇
▲▲▲▲▲▲▲▲
〇〇×
×▲× ××▲
〇〇
××××
×
〇 ×▲▲ ×▲× ▲▲▲〇×▲▲〇
〇〇
〇▲〇〇×〇〇×〇〇
〇▲
▲〇
▲×〇〇〇
〇▲
〇 ▲▲
▲〇▲
▲×〇▲ 〇〇
×▲▲〇×
〇〇〇▲
▲
×
▲×〇▲×
××▲
×〇
〇▲
〇〇〇
〇▲▲〇
▲
×〇▲
×〇×
▲
▲▲〇×
〇
〇〇▲▲▲
▲▲〇
××▲▲〇〇〇▲〇〇〇〇▲〇〇▲▲〇
▲〇▲▲▲▲×▲▲〇▲〇〇▲▲▲
×〇▲××▲▲▲
〇〇〇
〇▲▲▲〇
〇××〇〇
〇〇〇〇▲▲▲〇〇〇
〇▲〇〇▲
▲〇▲〇〇▲▲▲
▲×▲〇
〇▲〇▲×
▲〇〇▲▲〇×▲×〇▲×▲〇× ××〇
▲××▲〇▲
▲▲〇▲▲▲▲×〇×〇×〇〇▲▲〇〇×
〇▲
〇〇〇×▲▲
▲▲×〇〇
▲〇
▲▲▲〇〇▲▲
▲〇××▲▲〇×▲×▲〇〇〇▲
×▲〇▲
〇▲▲〇▲〇
▲▲〇〇〇×〇〇〇〇▲〇〇▲▲▲
▲〇〇×▲〇▲▲〇▲〇〇▲〇〇▲〇×▲▲▲×▲▲▲▲〇▲▲▲〇〇×▲▲〇▲▲▲×▲〇〇〇▲▲〇×▲〇〇××〇〇▲〇〇×〇
〇×〇〇▲〇▲▲〇〇××▲▲▲▲〇〇▲▲▲〇×▲▲〇〇〇▲×〇×〇▲▲▲〇▲▲▲〇〇
〇〇×▲▲▲×〇〇〇▲▲〇
〇▲×
×〇×〇▲〇×▲▲×〇▲〇〇〇▲〇▲〇▲▲ ▲〇〇×▲ ▲▲ ×▲▲〇〇▲〇〇▲×〇〇〇▲▲▲××〇▲▲××▲▲〇〇▲〇× 〇〇▲×▲ 〇▲▲〇〇××〇〇×××▲×××▲×▲〇▲×〇▲▲〇〇▲▲▲××
▲▲〇×××〇▲▲▲▲▲〇〇〇▲〇×〇×▲×××▲▲×▲××〇×〇××〇×▲▲〇〇
〇〇〇〇〇〇〇〇
▲〇〇▲〇
▲▲▲〇〇×〇▲▲××▲×
〇×▲〇〇〇
▲××〇
▲×〇
×▲▲〇〇〇
▲〇〇
×
▲
▲〇
〇×
▲▲
××▲〇
▲〇〇
〇
〇
〇
〇▲▲
〇〇▲〇
▲〇〇〇▲▲
▲▲▲
×▲
▲
▲▲
▲〇
▲〇
▲▲
▲▲
▲〇
〇×
▲
▲〇
〇〇▲
▲〇
××〇▲▲〇
〇▲×
×〇×▲
〇〇〇〇
▲▲×〇▲▲
〇
〇〇
▲▲〇〇〇×▲×▲〇〇▲▲▲〇▲
▲▲▲▲×▲▲〇
〇×
▲▲〇×▲×〇▲
××××
〇×〇▲▲×
〇▲〇▲×〇
〇▲×〇
〇〇▲×▲〇×
××〇
×〇〇〇×〇▲×〇〇
×▲×
〇××〇〇〇▲▲▲×▲〇〇〇〇×
〇
〇
×▲
▲〇
〇×〇▲
〇
×
▲▲
▲
×▲
×〇〇
〇××
▲〇〇
×▲
〇
××××
▲×
〇〇〇
〇
〇〇▲
▲〇〇▲〇
▲ ×〇▲▲▲
×▲
▲▲××▲〇×
▲▲▲〇〇〇×▲〇
▲▲〇
×▲〇×
××
▲
〇▲▲〇〇
××▲
▲××
▲▲×××
〇×〇▲▲
▲〇▲〇〇×
×〇〇〇
〇×▲〇
▲
▲〇▲▲×▲
×▲×〇〇〇▲×〇×▲〇〇××▲▲▲〇▲▲×▲××▲
▲×××
×▲
×〇×
▲
〇〇
×××▲〇
図表２：tSNE によるドル円ヘッジコスト次元圧縮結果(上段:２次元 下段:３次元)
出所：Bloomberg データより三菱 UFJ 信託銀行作成
-20 -10 0 10 20
-20
-10
010
20
tSNE(2D)
Y1
Y2
▲〇▲××▲▲〇×▲
▲×〇×××××××▲〇×
×××▲▲××▲▲×〇
××××××▲ ×× ×
×××
×〇
×〇〇
×▲▲ ×
××
〇〇▲ ×
××××〇×〇××〇▲
×××▲××××× ××××××
×××××〇×××
×
××▲××
×××
×××××××××
××× ××
×××〇 × ▲▲××〇
▲××〇
×〇
×▲
×××
×▲×
×××▲×××××××▲×××
××××××
×××××××〇〇〇〇
〇××
××▲
××▲▲▲
×▲▲▲××〇×××▲
××▲××××
×
× ××××××〇
▲▲〇▲〇×
×▲×〇
××▲〇 × ×××
×××
××× ×
×
▲
×××××
××
××
×
××
××
×〇
▲▲
×
▲ ××〇
×××
×
×〇▲
▲
××× × ××〇
〇×
×▲〇××
××××
〇××
××▲
×
〇〇×▲ ×× ××××× × ×▲××〇×▲× ××〇
×× ××〇〇▲〇
×▲×× 〇×× ×× 〇× ×× ××××▲▲〇〇×
▲××〇
× ×× ××××
××▲×▲▲〇××▲〇〇〇〇〇
〇 ▲▲〇〇
〇〇
〇▲〇▲
×
× ▲×〇
×× 〇〇▲ ▲××▲〇〇
×
× 〇 〇▲ ▲
▲×▲
× 〇
▲×▲▲××××××××
××〇
×××
〇〇
〇
〇
〇
▲〇▲
〇▲
▲×
▲〇
▲
▲
▲〇▲▲
×▲▲〇
×
×▲×
▲〇
×
▲
×
×〇〇〇
▲×▲▲
〇
〇〇
〇
▲▲
〇▲
×
〇
▲
×
×
▲▲
×〇 ×
▲ ×〇×▲
▲〇 〇 ▲〇 〇
▲▲
×
〇
×▲
〇
×
〇 ▲
××
▲ ×〇
〇〇▲
〇
▲
▲〇×
×▲▲×
▲〇×
×▲
▲
▲×▲〇
× ×▲ 〇
〇
×▲
×
▲
×
〇× ▲〇
×××▲▲×▲〇
▲
〇××〇〇▲
〇〇
▲▲
〇〇〇
▲
▲〇
〇▲
▲▲〇 ×▲
▲〇
▲〇〇
▲
▲
× ×
〇
▲×▲
▲▲▲ ×
×〇
〇
▲
▲×× × × ▲×
〇〇
▲
××〇
×× ▲
▲
×
〇
▲×
×〇▲×〇 〇〇〇×
×〇 〇
〇▲
〇〇
〇▲▲
▲▲▲▲
▲▲
〇〇 ×
×▲×
××▲
〇〇
×××××
〇
×▲▲
× ▲×
▲▲ ▲ 〇
×
▲▲〇
〇
〇
〇▲
〇〇× 〇
〇×〇〇
〇
▲
▲
〇
▲×
〇
〇〇
〇▲
〇
▲
▲
▲〇
▲
▲×〇
▲
〇
〇
×▲
▲〇
×
〇〇〇
▲
▲
×
▲×
〇
▲
×
×
×
▲
×〇
〇▲〇〇〇
〇▲▲〇▲
×〇▲ ×〇×
▲▲▲ 〇×〇
〇〇▲▲
▲▲ ▲〇
××▲▲
〇
〇〇▲
〇〇〇〇
▲
〇〇
▲▲
〇
▲
〇▲▲
▲
▲× ▲▲
〇▲〇〇▲▲▲
×
〇
▲
××▲
▲▲
〇
〇〇
〇
▲
▲▲〇
〇×
×〇〇
〇〇 〇〇▲
▲▲〇
〇〇
〇
▲〇〇
▲
▲
〇▲ 〇
〇
▲
▲
▲
▲
×▲〇
〇
▲〇
▲×
▲〇〇▲▲〇×
▲
×〇▲×▲〇×
××〇
▲××▲〇▲▲
▲〇▲▲▲▲
×〇×
〇×〇〇
▲▲〇〇
×
〇
▲
〇〇〇×▲▲
▲▲
×
〇〇
▲
〇
▲▲▲〇〇▲▲
▲〇××▲▲〇×▲×▲〇〇〇▲
×▲
〇▲
〇▲
▲〇▲〇
▲▲〇〇
〇×〇〇〇〇▲〇〇▲▲▲
▲〇〇×▲
〇▲▲〇▲〇〇▲〇〇▲〇×▲ ▲▲×▲▲▲▲〇▲▲▲〇〇×▲▲〇▲▲▲×▲〇〇〇▲▲〇×
▲〇〇××〇〇▲〇〇×〇
〇
×〇〇▲〇▲
▲〇〇
××▲▲
▲▲〇〇▲▲▲〇×▲▲〇〇〇▲×〇×〇
▲▲▲〇▲
▲▲〇〇〇〇×▲▲▲×〇〇〇▲▲〇
〇▲
××〇×〇▲〇×▲
▲ ×〇▲〇〇〇▲ 〇▲〇▲ ▲▲〇〇×▲
▲▲
×▲▲〇〇
▲〇〇▲ ×〇〇〇▲▲▲×
×〇▲▲××▲▲〇〇▲〇×〇〇
▲×▲〇▲▲
〇〇××〇〇 × ××▲×××▲
×▲〇▲×〇▲▲〇〇▲▲▲××▲▲〇×××〇▲▲▲▲▲〇〇〇▲〇×〇 ×▲×××▲▲×▲××〇×〇 ××〇 ×▲▲〇〇
〇〇〇〇〇〇〇〇 ▲〇〇▲〇
▲▲▲〇〇×〇▲▲××▲ ×
〇×▲〇〇〇
▲××
〇
▲×〇
×▲▲〇
〇〇
▲〇〇
×
▲
▲〇
〇×
▲▲
×
×▲〇▲
〇〇
〇
〇
〇
〇
▲▲
〇 〇▲〇
▲〇〇
〇▲▲
▲▲▲
×
▲
▲▲▲ ▲〇
▲ 〇▲
▲
▲▲▲
〇〇×▲
▲〇
〇〇▲
▲〇××
〇▲▲〇〇▲×
×〇×▲
〇〇〇〇
▲▲ ×〇▲▲
〇
〇〇
▲▲〇
〇〇×▲×▲〇〇▲▲▲〇▲
▲▲▲
▲× ▲▲〇
〇
×
▲▲
〇
×▲×〇▲
××××
〇×
〇▲▲×
〇▲〇▲×〇
〇▲
×
〇
〇〇▲×▲〇
×
××〇 ×〇〇〇
×〇▲×〇〇×▲ ×〇×
×〇〇〇▲▲▲×▲〇〇
〇〇×
〇
〇
×▲
▲〇
〇×〇▲
〇
×
▲▲▲
×
▲×
〇〇
〇×
×
▲〇〇
×▲
〇
××××▲×
〇〇
〇
〇
〇〇▲
▲〇〇 ▲〇
▲×〇▲
▲▲
×▲
▲▲××▲〇
×
▲▲▲〇〇〇× ▲〇
▲
▲〇×▲〇
×××
▲
〇▲▲
〇〇
××▲
▲××
▲▲×××
〇×〇▲▲
▲〇▲
〇
〇×
×〇〇〇
〇×▲
〇
▲
▲〇▲▲
×
▲
×▲×〇
〇〇 ▲×〇×▲〇〇××▲▲▲〇▲▲× ▲××▲
▲×××
×▲
×
〇×
▲
〇〇
×××▲
〇
tSNE 法による次元圧縮(２次元)
出所：Bloomberg データより三菱 UFJ 信託銀行作成
tSNE 法による次元圧縮(３次元)
三菱 UFJ 信託資産運用情報 6/15
２０１９年１１月号
図表３：tSNE による画像データ次元圧縮結果(上段:２次元 下段:３次元)
出所：Bloomberg データより三菱 UFJ 信託銀行作成
-20 -10 0 10 20
-20
-10
010
20
tSNE(2D)
Y1
Y2
A
B
C
B
BB
C
A
B
B
C
C
AA
B
A
A
B
A
B
A
A
BB
A
C
BB
A
C
A
A
B
B
B
B
A
C
B
B
A
C
A
A
C
A
CB
B
B
C
B
A
C
C
A
C
B
B
C
C
B
CC
C
A
C
B
B B
A
B
A
A
B
C
A
CB
A
B
A
C
A
A
B
A
B
C
C
A
C
C
B
BB
C
A
B
A A
A
C
B
B
B
C
C
A
C
A
C
B
C
B
B
B
B
A
C
C
B
C
C
C
B
CC
C
B
B
B
A
C
B
BC
B
A
A
C
A A
B
C
B
C
B
A
A
B
B
C
AA
A
B
B
C
A
B
C
C
B
A
B
B
C
B
B
B
C
A
A
A
A
C
BB
B
A
C
CB
B
C
B
C
C
C
C
B
B
A
A
C
B
C
C
B
A
A
B
B
A
B
C
A
B
B
A
C
C
B
C
A
C
A
CA
A
A
A
B
C
C B
B
CC
A
B
C
C
B
A
A
B
B
A
C
C
CC
A BA
A
BB
C
A
B
B
A
B
A
A
CC
B
C
C
A
B
A
C
B
B
B
C
AC
A
A
C
C
CA
B
B
A
C
A
B
C
A
B
C
C
B
B
A
CC
B
A
C
A
B
A
A
BB
A
B
A
B
A
C
B
A
A
B
B
C
CB
A
B
A
A
A
B
C
C
A
B
A
C
C
A
B
B
C
C
B
B
B
C
A
A
BB
B
B
A
A
B
C
A
A
B
B
B
C
A
C
B
B
C
AC
CB
A
B
C
A
B
C
A
B
C
C
B
A
B
C
B
A
B
C
B
B
B
B
C
CB
C
B
C
C
A
C
BBB
C
C
A
A
B
C
B
C
A A BA
C
A
B
A
A
B
A
A
C
B
A
C
A
A
CC
BCC
A
B
C
A
B
C C
A
C
B
C
B
B
A
B
B
A B
C
A
B
A
C
A
B
B
A
A
C
A
A
B
B
B
A
C
A
B
C
B
B
C
C
C
CC
A
C
C
A
B
C
A
C
A
B
A
B
C
A
A
BC
C
C
A
A
B
C
B
A
B
C
C
B
BC
C
A
B
B
A
C
BB
A
B
BB
B
A
B
A
B
C
A
C
C
B
B
A
C
A
C
A
B
C
A
C
C
C
C
AA
C
A
B
B
A
A
A
C
B
B
B
A
B
C
A
B
A
B
B
C
C
A
B
B
C
A
C
A
A
B
C
C
C
C
C
A
C
A
A
B
B
B
A
C
C
A
A
A
B
B
B
CC
C
A
AA
C
B
C
C
B
A
C
A
C
B
A
C
B
B
CC
C
B
B
B
B
A
C
A
C
A
CC
C
AAA
B
A
C
B
B
A
A
B
C
C
B
A
A
B
B
C
BB
A
A
B
B
B
A
B
B
C
B
C
B
C
A
A
A
BB
C
B
C
A
B
B
C
A
C
A
B
A
BC
A
C
C
A
CC
C
A
B
C
B
B
C
A
C
B
BC
A
B
A
C
A
B
B
C
A
C
C
A
A
C
B
B
C
BB
A
B
B
C
C
B
A
C
C
A
A
C
B
A
B
C
B
BB
B
A
A
B
A
B
B
C
C
C
B
C
C
A A
A
B
B
C
A
B
C
CCC
C
A
A
A
B
A
C
AA
B
C
B
A
A
B
C B
A
A
B
A
C
A
B
A
B
C
B
A
A B
A
B
A
B
A
C C
A
B
C
A
B
C
B
B
C
B
C
C
B
B
CC
B
C
B
A
C
B
B
A
B
C
B
A
BB
C
A
C
A
A
B
CC
B
A
B
C
A
B
A
C
B
C
B
C
B
C
A
B
B
C
C
A
B
C
A
B
B
C
A
C
B
C
C
C
B
A
C
B
A
C
B
B
A
C
B
C
B
C
A
C
B
A
C
B
AA
A
B
B
C
A BA
B
B
A
C
B
BC
A
A
A
B
C
B
A
A
C
B
C
B
B
A
B
A
B
C
A
A
A
C
B
A
C
AA
B
C
B
A
C
C
A
B
B
CC
B
C
B
C
A
A
B
C
B
B
B
A
B
A
B
CC
A
C
A
B
C
BB
C
A
CC
C
A
C
B
C
A
B
A
C CC
BA
C
BB
A B
B
A
C
C
A
A
A
A
tSNE 法による次元圧縮(２次元)
出所：Bloomberg データより三菱 UFJ 信託銀行作成
tSNE 法による次元圧縮(３次元)
三菱 UFJ 信託資産運用情報 7/15
２０１９年１１月号
３．為替の AI 予測モデルの実装
(１)マーケット予測に用いる主な機械学習アルゴリズム
世の中には多くの機械学習アルゴリズムがあるが、時系列予測で使用するものとして下
記リストのモデルを目にする機会が多い。機械学習の定義をインターネットで調べると線
形回帰や状態空間モデル 4 なども入っているようだが、実務においてこれらのみを用いたモ
デルを AI と称するにはやや無理があるように思える。これらの手法は学習データの選別や
加工など、以下の機械学習アルゴリズムと併用して活用されるケースが多いように感じる。
なお、今回実装に利用する以外の機械学習アルゴリズムの内容については書籍やインター
ネット上に多く公開されているので、詳細は他に譲ることにする。
【カーネル法】
サポートベクターマシン(SVM)
【ツリーモデル、アンサンブル学習】
ランダムフォレスト
Gradient Boosting
LightGBM
XGBoost
【ニューラルネットワーク】
ディープラーニング
畳み込みニューラルネットワーク(CNN)
再起型ニューラルネットワーク(RNN)
Long short-term memory(LSTM)
(２)ユーロドル 5AI 予測モデルの構築
筆者は AI モデルを開発する際、まずは計量分析手法で学習データの選別を行い、その後
比較的ベーシックな機械学習アルゴリズムであるサポートベクターマシン(SVM)、ランダ
ムフォレスト、ディープラーニングで簡易予測を行う(これら３つのモデルの説明について
は巻末の付録参照)。これらのアルゴリズムは全く構造が違うため、同じ誤りを犯しづらい。
また、学習データの形状(データ間のスケールの差、総データ数など)によって、それぞれ
得意分野が違う。同じ為替データでもディープラーニングが良い場合もあればランダム
4 必ずしも観測できるとは限らない状態を表す変数と実際に観測できる変数が異なるような系を数式で表現したモデルで工学
分野において広く活用されている。 5 実際のモデルはドルユーロで表示。
２０１
１９年１１月号
フォレス
データの
のマーケ
のノウハ
さて今
６で示す
ルである
場観にお
いう点で
の力量を
いて、A
落、空白
一方、
らず殆ど
心の予測
6 1990 年１
10 月から
出所：Blo
号
ストの方が
の情報をよ
ケットデータ
ハウといえる
今回について
す。その中
る。“引っ
おいて、ポイ
である。例
をみる際の
AI モデルの
白なら横ばい
、図表５のデ
ど投資行動を
測になって
１月～予測対象の
ら逐次推定を実施
oomberg データ
図表
良い場合も
り適正に伝
タを分析す
る。
ても、まず既
で一番引っ
掛かりが良
イントとな
えれば、シ
目線にかな
の予測結果(
いを予測)と
ディープラ
を取ってい
しまってい
の一つ手前のデ
施したもの。す
タより三菱 UFJ
表４：ラン
もある。また
伝えられるよ
る過程で身
既述の３種
っ掛かりが良
良い”とは、
る状況変化
シニアファン
なり近いと思
(predict の
と実績(折れ
ーニングで
ないことが
て、変化の
データまでを学習
すなわちアウトオ
信託銀行作成
ンダムフォ
8/15
た、予測結果
よう、データ
身に付くもの
種類のモデル
良かったモデ
決して精度
化の局面で A
ンドマネージ
思う。以下の
棒グラフが
れ線グラフ)を
では 2016 年
が分かる。ま
の局面に対し
習データとし、未
オブサンプルの
レストによ
果などから
タ加工等も
のであり、本
ルで予測を実
デルが図表
度が高いと
AI がしっか
ジャーがジ
の３つの図
が上に出てい
を比較した
年以降、相場
また、図表６
しうまく反応
未学習データの
予測を行ってい
よるドルユ
三菱
機械学習ア
行う。この
本などに書き
実施 6 し、そ
４のランダ
いう意味で
かり投資判断
ュニアファ
表は、ドル
いれば上昇、
ものである
場が大きく動
６の SVM に
応できていな
の翌週の方向性を
いる。
ーロの AI
UFJ 信託資産
アルゴリズム
の辺りの感覚
きづらい AI
その結果を図
ダムフォレス
ではなく、自
断ができてい
ァンドマネー
ルユーロの推
下に出てい
。
動いているに
についても、
ない。
を予測。同手法
予測
産運用情報
ムに学習
覚は多く
I 技術者
図表４～
ストモデ
自己の相
いるかと
ージャー
推移につ
いれば下
にも関わ
下落中
で 2009 年
２０１
１９年１１月号
出所：B
出所：
号
Bloomberg デー
Bloomberg デ
図
ータより三菱
データより三菱
図表５：ディ
図表
UFJ 信託銀行
菱 UFJ 信託銀行
ィープラー
６：SVM に
9/15
行作成
行作成
ーニングによ
によるドル
よるドルユ
ルユーロの
三菱
ユーロの AI
AI 予測
UFJ 信託資産
I 予測
産運用情報
三菱 UFJ 信託資産運用情報 10/15
２０１９年１１月号
図表４のランダムフォレストモデルは正答割合について改善の余地があるものの、ポイ
ントとなる変化の局面で反応できている。そこで、更に予測精度を向上させる為、ランダ
ムフォレストモデルの上位モデルである XGBoost 7 を用いてみる。同モデルはチューニン
グが必要なデータ項目は増えるものの、全般的に精度が高く近年注目を集めているモデル
である。世界のデータサイエンティストが賞金を狙ってデータ分析をする Kaggle 8 におい
ても、LightGBM と呼ばれるモデルと並んで非常に多く使用されている人気の機械学習ア
ルゴリズムである(実は人気上位はディープラーニングではない。ディープラーニングは必
ずしも世の中で考えられているような万能なモデルではないのだ！)。
結果は図表７のとおりであり、図表４と見比べて欲しい。XGBoost でかなり精度が上
がったのが分かるはずだ。実際も、このようなプロセスでモデルの選択を行っていく。もち
ろん、今回お見せしたモデル構築プロセスは、あくまで一例であり、扱うデータ次第では
様々なパターンがある。また、紹介したプロセスは筆者のやり方であるため、開発者によっ
て様々なやり方があるのであろう。大切なのは自分なりに上手くいくモデル構築方法を多く
持つことであると思う。このように、開発する人それぞれの異なるモデルになるのも AI モ
デルの特徴なのである。また、AI モデルの開発に多くのマーケット知識やデータ分析技術、
AI 技術者のノウハウが使われていることも、お分かりいただけたと思う。
7 XGBoost は Gradient Boosting と呼ばれるモデルとランダムフォレストを組み合わせランダムフォレストの欠点を補ってい
るため、上位モデルと既述。Gradient Boosting とは学習データを分類した際、当てはまりの悪い部分の影響を抑制させる
工夫が施されたモデル。
8 機械学習モデルを用いた世界 大規模コンペティション。データを元にしてスポンサー企業が問題を出し、その問題に対し
て参加者である Kaggler が予測結果を出す分析モデルを作成、分析モデルのベストスコアで順位を競う。上位者には賞金や
メダルが授与され、Kaggle のランクにもその内容が反映される。
２０１
１９年１１月号
Ⅴ.今後
これま
デルの構
冒頭の
のかもし
ケット形
している
ばならな
Ⅳ章で
わけでは
信頼度が
ジャーが
データを
完し合う
かどうか
はまだ距
モデルと
マーケッ
真理を我
よりは寧
出所：B
号
後の展望
まで２ヵ月
構築について
の疑問 ｢運用
しれないが
形成にも変化
る。時代の変
ない時代が
で構築した
はない。イン
が当然下が
が把握し、
を更新した
う関係なの
かを判断させ
距離を感じ
とともに運用
ットが動いて
我々に教えて
寧ろ、非常に
Bloomberg デー
図
に亘り、資
て紹介して
用者は AI
、“NO”
化が起こり
変化に対応
もうそこま
AI モデル
ンプットデ
がるため、A
そこから逸
りする必要
である。今
せ、自らそ
る。ただ、
用する時代は
ているか判断
てくれるよう
に強力な仲間
ータより三菱 U
図表７：XG
産運用にお
きた。
に代わられ
というのが
つつある現
できないフ
で来ている
も予測精度
ータではカ
AI がどのよ
逸脱したと判
要があるのだ
今の技術では
のデータを
将来、各フ
はそう遠くな
断し、そのデ
うな補完体制
間のような存
UFJ 信託銀行
GBoost モデ
11/15
おける AI の
れてしまうの
筆者の答え
現在、我々フ
ァンドマネ
のかもしれ
度は高いが、
バーしきれ
ようなデー
判断されれ
だ。つまり、
は、AI にイ
をみつけ、学
ァンドマネ
ないかもしれ
データを AI
制だ。その時
存在になって
行作成
デルによる
の現状や、A
のか？｣ に対
えである。た
ファンドマネ
ネージャーは
れない。
自動運転ま
れない事象が
ータで予測し
ば、AI に
AI とファ
ンプットデ
学習していく
ージャーが
れない。つま
I が学習し、
時にいえるで
ている可能性
るドルユーロ
三菱
AI を用いた
対し、今更言
ただ、AI 時
ネージャーも
はマーケット
までできるか
が起こった場
しているか
よる運用を
ァンドマネー
データでカバ
くようないわ
自分の相場
まり、人間は
、人間では検
であろうこと
性が高いとい
(2019
ロの AI 予測
UFJ 信託資産
たマーケッ
言及する必要
時代に突入し
も転機を迎え
トから退場し
かというとそ
場合に当該モ
かをファンド
を停止したり
ージャーはお
バーしきれな
わゆる完全自
場観を反映さ
はどのような
検知できない
とは、AI は敵
いうことだ。
年 10 月 15
測
産運用情報
ト予想モ
要はない
し、マー
えようと
しなけれ
そういう
モデルの
ドマネー
り、学習
お互い補
ない事象
自動化に
せた AI
な材料で
いような
敵という
日 記)
２０１
学
１９年１１月号
【付録
付録１
数百～数
決/平均
る。チュ
付録２
学習デー
行うモデ
すること
ど線形分
ない学習
出所
学習データの一部
決定木
号
機械学習
：ランダムフ
数千回ランダ
するモデル
ューニング項
：サポートベ
ータを元々の
デル。例えば
とで分離が明
分離しやす
習データで
付
出所：三菱 UF
所：三菱 UFJ 信
学習デー
ランダムサン
（bootstrap s
学習データの
多数決/平
予測結
決定木
ランダムフォレス
習アルゴリ
フォレスト
ダムサンプ
ル。欠損値な
項目が少な
ベクターマ
のデータ空
ば、付録図
明確になる
くなるが、
も良い結果
付録図表１
付録図表
FJ 信託銀行作成
信託銀行作成
ータ
ンプリング
ampling）
の一部
平均
果
・・・・
・・・・・・・
ストモデル
カ
高
線形分類不可
ズム詳細】
リングした
などのノイズ
く、数ある
シン(SVM)
間から高次
表２のとお
ようなケー
一方でオー
が出やすい
：決定木と
表２：サポー
成
学習データの
決定木
カーネル関数Kを用
高次元空間（2次元
に写像する
可能
12/15
たデータを決
ズに強く、パ
機械学習ア
)
次元空間に写
おり、２次元
ースがわかり
ーバーフィッ
い、機械学習
ランダムフ
ートベクタ
の一部
用いて
元→3次元）
決定木に当て
パフォーマン
アルゴリズム
写像し、その
元では判別し
やすいであ
ット(過学習)
習の中で も
フォレスト
ターマシン
三菱
てはめ、それ
ンスのよいモ
ムの中でも使
の高次元空間
しにくい境界
あろう。写像
)の可能性も
も人気のある
トの概念図
概念図
線形
線
UFJ 信託資産
れら算出結果
モデルとさ
使い勝手がよ
間上でデータ
界でも３次元
像を高次元化
も高まる。比
るモデルの一
形識別関数：
形分類可能
産運用情報
果を多数
れてい
よい。
タ解析を
元に写像
化するほ
比較的少
一つ。
三菱 UFJ 信託資産運用情報 13/15
２０１９年１１月号
付録３：ディープラーニング
人間の脳神経(視神経)を模したモデル(ニューラルネットワーク)。一般にニューロンが４層
以上のものをディープラーニングと呼ぶ。生物学のニューロンはシナプスを経由して信号と
呼ばれる電気刺激を受け、他のニューロンから十分な数の信号を受け取ると、自分自身で信
号を生成する。その構造を模したものが付録図表３である。各人工ニューロン(ノード)には
活性化関数と呼ばれる数式が組み込まれており、ある一定以上の数値が入ると、”１”のよう
な数字が出力される。各ノードから出力された数字に人工シナプスのウエイト(ｗｋ)を掛け
合わせたものが次のノードに伝達される。ウエイトは学習データの解答から 適化される。
このようにして過去の入力データ(学習データ)のパターンを記憶する。この構造からもお分
かりになると思うが、ある時点のデータが翌時点に影響を与えるような系列相関の情報を学
習する能力は同モデルには備わっていない。そのため、系列相関の情報を伝える場合は、同
じニューラルネットワークの中でも畳み込みニューラルネットワーク(CNN)、再起型
ニューラルネットワーク(RNN)、Long short-term memory(LSTM)などのモデルを使用す
るか、学習データに時系列の情報(一階差データや移動平均など)を入れる必要がある。同モ
デルは柔軟かつ強力な機械学習アルゴリズムである一方、大量のデータを必要とする。
入力
出力
入力層
出力層
隠れ層
人工ニューロン（ノード）
人工シナプス
付録図表３：ディープラーニング概念図
※本稿中で述べた意見、考察等は、筆者の個人的な見解であり、筆者が所属する組織の公式見解ではない
出所：三菱 UFJ 信託銀行作成
三菱 UFJ 信託資産運用情報 14/15
２０１９年１１月号
【参考文献】
・｢AI ファンドマネージャーの力量は？｣2019/２/27 日本経済新聞
・｢株式暴落の正体｣武者陵司 2018/12/27 株探ニュース
・｢Information in the Yield Curve about Future Recessions｣Michael D. Bauer and
Thomas M.Mertens Federal Reserve Bank of San Francisco [2018]
・｢Tests for unit roots and initial condition｣Ulrich K.Muller and Graham Elliott[2003]
・｢ヘッジファンド、18 年成績好調はブリッジウォーターとルネッサンス｣
2019/３/28 Bloomberg
・｢現代時系列分析｣田中勝人 [2006/11]
・｢R による計量経済分析｣福地純一郎 伊藤有希 [2011/７]
・｢Python３ではじめるシステムトレード ──環境構築と売買戦略｣森谷博之 [2016/11]
・｢シミュレーターでまなぶニューラルネットワーク｣森谷博之 [2019/１]
・ バフェット氏、４つの名言に学ぶ｢真の長期投資｣谷山歩 [2016/12]
・ ｢データサイエンティスト養成読本 機械学習入門編｣技術評論社 [2015/９]
・ ｢Hands-On Machine Learning with Scikit-Learn and TensorFlow｣Aurélien Géron
[2017/４]
・ ｢はじめてのパターン認識｣平井有三 [2012/７]
・ ｢深層学習(DEEP LEARNING)｣Ian Goodfellow, Yoshua Bengio, Aaron Courville
[2018/３]
三菱 UFJ 信託資産運用情報 15/15
編集発行：三菱ＵＦＪ信託銀行株式会社 アセットマネジメント事業部
東京都千代田区丸の内 1 丁目 4 番 5 号 Tel.03-3212-1211（代表）
本資料について
本資料は、お客さまに対する情報提供のみを目的としたものであり、弊社が特定
の有価証券・取引や運用商品を推奨するものではありません。
ここに記載されているデータ、意見等は弊社が公に入手可能な情報に基づき作成
したものですが、その正確性、完全性、情報や意見の妥当性を保証するものでは
なく、また、当該データ、意見等を使用した結果についてもなんら保証するもの
ではありません。
本資料に記載している見解等は本資料作成時における判断であり、経済環境の変
化や相場変動、制度や税制等の変更によって予告なしに内容が変更されることが
ありますので、予めご了承下さい。
弊社はいかなる場合においても、本資料を提供した投資家ならびに直接間接を問
わず本資料を当該投資家から受け取った第三者に対し、あらゆる直接的、特別
な、または間接的な損害等について、賠償責任を負うものではなく、投資家の弊
社に対する損害賠償請求権は明示的に放棄されていることを前提とします。
本資料の著作権は三菱 UFJ 信託銀行に属し、その目的を問わず無断で引用または
複製することを禁じます。
本資料で紹介・引用している金融商品等につき弊社にてご投資いただく際には、
各商品等に所定の手数料や諸経費等をご負担いただく場合があります。また、各
商品等には相場変動等による損失を生じる恐れや解約に制限がある場合がありま
す。なお、商品毎に手数料等およびリスクは異なりますので、当該商品の契約締
結前交付書面や目論見書またはお客さま向け資料をよくお読み下さい。
