はじめに

「大量の市場データをAIに学習させれば、将来の値動きをかなりの精度で当てられるのではないか」——生成AIや機械学習の進歩を受けて、こうした期待を持つ方は多いと思う。

この問いを考えるうえで、非常に分かりやすい材料がある。Jane Street が Kaggle で開催した Jane Street Real-Time Market Data Forecasting である。

結論を先に書くと、この記事で伝えたいのは次の一点だ。

金融市場におけるAIの現実的な役割は、「高確率で未来を当てる」ことではない。アウトオブサンプル（OOS）で残るごく弱い予測可能性を検出し、それをポートフォリオ構築・リスク管理・低コスト執行によって収益化することにある。

本記事では、Kaggleコンペの結果と実証研究を並べながら、この「弱いシグナルをどう収益化するか」という構造を整理していく。

1. 題材：Jane Street の Kaggleコンペ

このコンペは、Jane Street の production systems から派生した実市場データを使用している。そして、fat-tailed distribution（裾の厚い分布）、non-stationary time series（非定常な時系列）、sudden shifts in market behavior（市場挙動の急変）といった、金融市場特有の難しさを明示的に問題設定として掲げている[1]。

公式ページに記録されている参加チーム数は 3,757チーム[1]。

教材用に整形されたきれいなデータではなく、実市場由来の低S/N比データを、数千チームが競って予測した事例——という位置づけで読むのが適切だと考えている。

2. トップクラスでも、予測改善幅は極めて小さい

評価指標は、ターゲット responder_6 に対する sample-weighted zero-mean R² である。公式の評価式は次の考え方に相当する[1]。

R^2 = 1 - \frac{\sum_i w_i (y_i - \hat{y}_i)^2}{\sum_i w_i y_i^2}

分母が「平均からの偏差」ではなく y そのものである点に注意したい。つまりこの指標は、「常にゼロと予測するベースライン」に対して、重み付き二乗誤差をどれだけ減らせたかを測っている。通常の（平均を差し引く）R² とは定義が異なる。

そして最終8位となった Evgeniia Grigoreva 氏の公式 Solution Write-up によれば、GRU を中心に補助ターゲット・online learning・複数seedのアンサンブルを組み合わせた構成で、

6モデルのアンサンブル：LB score 0.0112
最良の単独モデル：0.0105

と報告されている[2]。

正確に書くなら、「市場変動の1.12%を（通常の意味で）説明した」ではなく、**「ゼロ予測に対する加重二乗誤差を約1.12%改善した」**である。この差は小さいようで、解釈上は重要だ。

3. 「約1%」は小さい。しかし金融では意味がある

一般的な機械学習の感覚では、0.01前後の R² は「ほぼ何も当たっていない」ように見える。画像分類やレコメンドの世界であれば、まず実用にならない水準だろう。

しかし金融市場は事情が違う。価格には既に多くの情報が織り込まれており、短期リターンは極端に低S/N比である。この環境で、OOSにおいて小さな予測改善を安定して残すこと自体が難しい。

ここで注意したいのは、「残りの99%は純粋なノイズだ」と断定できるわけではない、という点である。より正確には——今回のモデル・データ・評価設定のもとでは、その大部分を予測可能なシグナルとして取り出せなかった、ということに過ぎない。

キーワードは「予測不能」ではなく、**「微弱な予測可能性」**だと考えている。AIは強力な未来予知装置ではなく、微弱な条件付き期待値の差を検出する道具として捉えるべきだろう。

4. 予測スコアと「実際に儲かる」は別問題

ここは投資家として最も誤解しやすいところなので、明示しておきたい。

R² = 0.0112 は、年率1.12%の収益でも、11.2%の収益でも、Sharpe Ratio 1.12 でも、勝率1.12%でもない。 これはあくまで、未知データに対する予測誤差の評価指標である[1][2]。

公式評価式に含まれるのは ground truth・prediction・sample weight の3つだけであり、売買手数料、Bid-Askスプレッド、スリッページ、マーケットインパクト、空売りコスト、turnover（回転率）、ポジションサイジング——これらは一切入っていない[1]。

一方でフェアに見れば、Kaggle側の設計は評価として甘くはない。evaluation API によって未来データの先読みを防ぎ、最終段階では提出済みモデルを後続の実市場リターンに対して走らせる forecasting phase を採用している[1]。単純な静的 train/test 分割よりは、実運用に近いOOS評価になっている。

つまり整理すると、こうなる。

「OOSで予測能力が存在する」ことと、「その予測能力を取引利益として回収できる」ことは、別の問題である。

5. 弱い予測力を、どう収益に変えるか（Gu, Kelly, Xiu 2020）

では、この「ごく弱い予測力」に意味はあるのか。ここで参照したいのが、資産価格の機械学習研究として広く引用されている Gu, Kelly, Xiu (2020) である[3]。

同論文は、約3万銘柄・60年分の米国株データを用いて、OLS、Elastic Net、PCR/PLS、Random Forest、GBRT、Neural Networks などを比較している。

個別銘柄レベルの予測力は、やはり非常に小さい。

モデル	個別株・月次 OOS R²
Random Forest / GBRT	約 0.33〜0.34%
Neural Network（NN3）	0.40%（ピーク）

ところが、各月に予測リターンで銘柄を順位付けし、上位decileを買い・下位decileを売る Long-Short ポートフォリオを組むと、結果は大きく変わる[3]。

ポートフォリオ（NN4）	年率 Sharpe Ratio
Value-weighted	1.35
Equal-weighted	2.45

小さな統計的予測力でも、多数の銘柄に分散してポートフォリオ化すれば、大きな「グロス」の経済効果に変換され得る——これが原論文の示していることである。

ただし、ここには重要な留保がある。同論文は、Neural Network 戦略の月次 turnover が概ね 110〜130% と高いことも報告しており、著者自身が price-trend predictors への依存と高turnoverを指摘している[3]。

したがって、「コスト控除後に同じ Sharpe が残る」ことを証明した論文ではない。上記の数値はグロスのポートフォリオ成績として読むべきで、turnover が高いほど、コスト・スプレッド・マーケットインパクトへの感応度は高くなる——というのが実務上の含意だと考えている。

6. 本当の競争力は「予測精度の先」にある

Kaggle の結果と Gu・Kelly・Xiu の結果を並べると、金融AIの現実像が見えてくる。

AIの役割は、1回1回の価格変動を高確率で当てることではない。ノイズの中からごく弱い条件付き期待値の差を検出し、それを数千銘柄・複数市場・多数の時点・複数の独立シグナルへ分散し、ポートフォリオとして集約することで経済的価値に変換する——という構造である。

実際のクオンツ運用の成果は、概念的には次のようなシステム全体で決まる。

\text{PnL} \sim \text{予測力} \times \text{分散} \times \text{ポジション設計} \times \text{リスク管理} \times \text{執行能力} - \text{取引コスト}

Kaggle が主に競っているのは、この式の最初の1項だけである。実運用では、その予測力をコストで消さず、リスクを制御し、容量制約の中で回収して、初めて PnL になる。

金融AIの難しさは「エッジを見つけること」だけではない。小さなエッジを、コストで失わず、リスクを抑えながら、大量に回収することにある。ここが、個人投資家にとっても運用会社にとっても、実は本丸だと考えている。

7. まとめ

Jane Street の Kaggle コンペから直接確認できるのは、次の事実である。

高度な機械学習を投入しても、金融市場におけるOOSの予測改善幅は非常に小さくなり得る
3,757チームが参加した中で8位となった高度なアンサンブルモデルでも、weighted zero-mean R² は 0.0112 だった[1][2]

しかしこれは、「AIは金融市場で役に立たない」という意味ではない。むしろ、微弱な予測シグナルをOOSで安定して検出し、それを大量の機会へ分散・集約することにこそ価値がある。Gu・Kelly・Xiu の研究は、個別株で小さな R² しか得られなくても、ポートフォリオ化によって大きなグロスの経済効果につながり得ることを示している[3]。

最後に、この記事の主張を一文でまとめておきたい。

AI投資の現実像は、「未来を正確に予言するAI」ではなく、「大量のノイズの中から、ごく小さな統計的偏りを拾い、それをシステムとして収益化する仕組み」である。

参考文献

[1] Maanit Desai, Yirun Zhang, Ryan Holbrook, Kait O'Neil, and Maggie Demkin. "Jane Street Real-Time Market Data Forecasting." Kaggle, 2024.
https://www.kaggle.com/competitions/jane-street-real-time-market-data-forecasting

[2] Evgeniia Grigoreva. "[Private LB 8th] solution." Jane Street Real-Time Market Data Forecasting, Kaggle, 14 Jul 2025.
https://www.kaggle.com/competitions/jane-street-real-time-market-data-forecasting/writeups/evgeniia-grigoreva-private-lb-8th-solution

[3] Shihao Gu, Bryan Kelly, and Dacheng Xiu. "Empirical Asset Pricing via Machine Learning." The Review of Financial Studies 33(5), 2020, pp. 2223–2273. DOI: 10.1093/rfs/hhaa009
https://doi.org/10.1093/rfs/hhaa009