相場操縦にはどれくらいの見せ玉が必要か？人工市場を用いた分析
>100 Views
May 25, 26
スライド概要
2026年6月8日-12日 第40回 人工知能学会全国大会
相場操縦にはどれくらいの見せ玉が必要か？人工市場を用いた分析
水田孝信(スパークス・アセット・マネジメント)、八木勲(工学院大学)
本資料は，所属組織のの公式見解を表すものではありません．すべては個人的見解であります．
本研究では, 既存の人工市場モデルに，価格予想にオーダーインバランスを追加した上で，見せ玉を使って利益獲得を目指す”見せ玉エージェント”を実装し，どのくらいの量の見せ玉なら価格形成に悪影響を与え，不公正な利益につながるのか分析した．
その結果，平均的に存在する待機注文以上の株数の見せ玉を見せれば，不公正な利益が得られるだけでなく，価格形成に悪影響を与え，株価変動が大きくなり市場が非効率となることが分かった．
関連スライド
各ページのテキスト
2026年6月8日-12日 第40回 人工知能学会全国大会 https://www.ai-gakkai.or.jp/jsai2026/ https://www.ai-gakkai.or.jp/jsai2026/ 相場操縦にはどれくらいの見せ玉が必要か？ 人工市場を用いた分析 水田 孝信 スパークス・アセット・マネジメント株式会社 mizutata[at]gmail.com https://mizutatakanobu.com mizutata[at]gmail.com https://mizutatakanobu.com 八木 勲 工学院大学 相場操縦と見せ玉：これら不正取引を取り締まる意義 相場操縦(manipulation)とは？ ・インサイダー取引に並ぶ、不正取引の１つ ・ 本来の株価から不正に吊り上げて高い価格で売りつける(またはその逆)など ・ 直接の売買利益が目的でない場合もある ・ 昔からある手法であるが、現代は不公正取引として刑法(金融商品取引法)で禁止されている ← 禁止しないと適正な価格での取引ではなく、相場操縦できる大口投資家しか勝てない市場になってしまい、 個人投資家は勝てる見込みがないと考え参加者が減り、市場の社会的機能低下をもたらす(実際そうだった) 見せ玉(spoofing)とは？ ・ 相場操縦には、風説の流布、仮装売買、見せ玉などさまざまな手法がある ・ 見せ玉は、需給を誤解させ、相場操縦することを意図して出される、 取引するつもりのない大量の指値注文(待機注文)のこと ・ 特に取り締まりが難しい手法：見せ玉とそれ以外の区別が難しい！ https://mizutatakanobu.com/2026JSAI.pdf https://mizutatakanobu.com/2026JSAI.pdf このポスターはダウンロードできます 本資料は，所属組織のの公式見解を表すものではありません．すべては個人的見解であります． 1
見せ玉 見せ玉 https://kabusyo.com/sihyo/misedama.html https://kabusyo.com/sihyo /misedama.html 金融庁に実際の違反事例が多数解説されている： https://www.fsa.go.jp/sesc/news/c_2024/2024/20240326-2.html )Q uadeye に 例 よる高速Trading 取引に係LLC る偽計に対する課徴金納付命令の勧告について 例) Quadeye Trading LLCによる高速取引に係る偽計に対する課徴金納付命令の勧告について https://www.fsa.go.jp/sesc/news/c_2024/2024/20240326-2.html 見せ玉で捕まった人に関する書籍や記事： https://www.kadokawa.co.jp/product/321707000030 フ ラ ッ シュ ・ ク ラ ッ シュたっ と一人で世界株式市場を暴落さ せた男 フラッシュ・クラッシュ たっと一人で世界株式市場を暴落させた男 https://www.kadokawa.co.jp/product/321707000030 https://www.bloomberg.co.jp/news/articles/2025-07-01/SYCL6IT0AFB400 投 Ｓ 相 Ｎ 稿 場 Ｓ で潔 操 縦白 で解 を主 雇張 の元野村国債ト レーダー、 相場操縦で解雇の元野村国債トレーダー、ＳＮＳ投稿で潔白を主張 https://www.bloomberg.co.jp/news/articles/2025-07-01/SYCL6IT0AFB400 法的議論： 芳賀良, 2023 <論説>見せ玉と相場操縦規制 -高速取引行為と非高速取引行為の相克https://doi.org/10.18880/0002000210 https://doi.org/10.18880/0002000210 2
何が問題になっていて、何を解決すべきなのか？ 問題点 ・ 相場操縦の”意図”があったのか？価格を動かす”効果”はあったのか？などあいまいな議論が伴う ← 取り締まる側の人に見せ玉とは何か聞きに行ったら逆に「定量的に定義できませんか？」と聞かれた ・ 人間は意図しておらず、AIが”学習の結果”見せ玉を行った場合、AIに相場操縦の”意図”があったか問えるのか？ ・ 意図以前の問題として”効果”があったのかどうかがそもそも分からない ・ 法律上の定義でも形式的で明確な要件を定義できず、法律上もあいまいであり、取り締まり・裁判が難しい 本研究 人工市場（金融市場のエージェント・ベースド・モデル、エージェント・シミュレーション）を 使って見せ玉の”効果”(相場を変動させる力)を知りたい 計算機上に人工的に作られた架空の市場 エージェント（架空の投資家） ＋ 価格決定メカニズム（架空の取引所） 注文 エージェント （投資家） 価格決定 メカニズム （取引所） 取引価格の 決定 実データが全く必要ない完全なコンピュータシミュレーション これまでに導入されたことがない金融市場の制度やルールも議論できる これまでにいなかった種類の投資家を議論できる その純粋な影響を抽出できる 3
モデル エージェント [Chiarella2002]を発展 ↑ ザラバかつstylized factを再現する中で 可能な限りシンプルなエージェントモデル 1000体 j: エージェント番号(順番に注文) t: 時刻 予想リターン 𝑡 𝑟𝑒,𝑗 = 統計的性質を再現するために最小限必要な項 テクニカル(順張り) 𝑃𝑓 1 𝑃𝑡−1 𝑤1,𝑗 log 𝑡−1 + 𝑤2,𝑗 log 𝑡−𝜏𝑗 + 𝑤3,𝑗 𝜀𝑗𝑡 σ𝑖 𝑤𝑖,𝑗 𝑃 𝑃 予想価格 t=10000経過した注文はキャンセルする エージェントの パラメータ 𝑤𝑖,𝑗 ノイズ ファンダメンタル 𝜏𝑗 一様乱数で決定 途中で変わらない 𝑤𝑖,𝑗 i=1,3: 0～1 i=2: 0～10 𝜏𝑗 0～1000 𝑃𝑡 𝑒,𝑗 = 𝑃𝑡 exp( 𝑟 𝑡 𝑒,𝑗 ) 𝑃𝑓 ファンダメンタル価格 𝑃𝑡 10000 =定数 現在の取引価格 取引価格帯を定めるために 便宜上加えた項 𝜀 𝑡𝑗 正規乱数 平均0 σ=3% エージェントの多様性確保と シミュレーションの安定性のため オーダーインバランスを考慮した予想リターンに修正(テクニカル戦略項) これまでのエージェントモデルでは待機注文数量を参照していなかった ⇒ 見せ玉を入れてもなんの反応もしない そこで、オーダー・ブック・インバランス（売り買い注文数量の差）を予想リターンに入れる テクニカル戦略項 𝐷𝑏 − 𝐷𝑠 𝑡 𝑟ℎ,𝑗 = log 𝑃𝑡 /𝑃𝑡−𝜏𝑗 + log(1 + 𝑤4,𝑗 𝛿𝑑 ) 𝐷𝑏 + 𝐷𝑠 過去リターン（既存） 𝑤4,𝑗 : 0~1, 𝛿𝑑 = 0.3% 𝐷𝑏 , 𝐷𝑠 : 仲値±0.3%以内にある買いまたは売りの待機注文数量 オーダーインバランス 買い注文が多ければ予想リターンはプラス側に修正 売り注文が多ければ予想リターンはマイナス側に修正 オーダーインバランスはテクニカル指標のひとつで実務で多く使われている 4
見せ玉エージェント 成行買い １株 成行売り 1株 成行買い １株 100000期間 売り見せ玉 100000期間 買い見せ玉(Dp株) 100000期間 買い見せ玉 １株買い ⇒ 買い見せ玉（５日間）:株価を吊り上げる ⇒ 売る ⇒ 売り見せ玉（５日間）：株価を下げる ⇒ １株買い ⇒・・・ これを繰り返す 見せ玉は決して売買成立しないように仲値±0.3%以内に常に存在するとする（完全な見せ玉） 1.2% 1000 2.0% 1.0% 100 1.5% 0.8% 1.0% 0.6% 0.5% 0.4% 0.0% 0.2% -0.5% 0.0% 市場非効率性 見せ玉株数/平均板厚 2.5% 市場非効率性 市場を変化させることができれば、 見せ玉エージェントはリターンを得ることができる 1 0.1 100 200 500 1000 2000 5000 10000 20000 50000 100000 200000 500000 1000000 見せ玉株数 売買１回あたりリターン 10 0.01 NA 0 100 200 500 1000 2000 5000 10000 20000 50000 100000 200000 500000 1000000 リターン 結果：見せ玉エージェントのリターンと市場非効率性 見せ玉株数 見せ玉株数/平均板厚 平均板厚は約5000でほぼ一定 見せ玉株数5000で平均板厚と同数となる：重要な閾値 これ以上の見せ玉 ⇒ いつもより明らかに板が厚く見える 市場は非効率となる：見せ玉は不公正なだけでなく市場を荒らす 5
まとめ ✓ 本研究では, 既存の人工市場モデルに，価格予想にオーダーインバランスを追加した上で， 見せ玉を使って利益獲得を目指す”見せ玉エージェント”を実装し，どのくらいの量の見せ玉な ら価格形成に悪影響を与え，不公正な利益につながるのか分析した． ✓ その結果，平均的に存在する待機注文以上の株数の見せ玉を見せれば，不公正な利益が 得られるだけでなく，価格形成に悪影響を与え，株価変動が大きくなり市場が非効率となる ことが分かった． 今後の課題 実データを学習し次の注文を予想する「注文生成AI」を人工市場に投入し、 現実の市場に近いシミュレーターで見せ玉の効果を定量的に測定する 注文生成AIエージェント(World Agent)：深層学習などを用いて実データを大量に学習、模倣 注文生成AI 実注文データ 学習 見せ玉 現実に近いシミュレーター 価格決定 メカニズム （取引所） 現実に近いシミュレーター 価格決定 メカニズム （取引所） 注文 見せ玉にも 反応 注文生成AI 見せ玉の効果を 定量的に測定 注文 注文生成AI ・ 見せ玉は、需給を誤解させ、相場操縦することを意図して出される、 取引するつもりのない大量の指値注文(待機注文)のこと ・ 特に取り締まりが難しい手法：見せ玉とそれ以外の区別が難しい！ 定量的・具体的な「見せ玉の定義」の指針になれば！ 6
[既存研究] 注文生成AI (Generative AI for orders, Synthetic Data for AI in Finance) World Agent ：データの学習を行い現実的な注文データを生成 Experimental Agent：実験したい投資戦略をのせる この2体だけ：Experimentalがどのような成績になるか実験する Coletta 2021 https://doi.org/10.1145/3490354.3494411 Coletta 2021 https://doi.org /10.1145/3490354.3494411 Coletta 2022 https://doi.org/10.1145/3533271.3561753 Coletta 2022 https://doi.org /10.1145/3533271.3561753 執行アルゴリズム(大口の注文を自動的に小分けにして発注)の シミュレーション：灰色の部分が買い注文を出した領域 指値注文もインパクトがあることを示唆！見せ玉の分析できそう！ Coletta 2023 https://doi.org /10.1145/3604237.3626854 Coletta 2023 https://doi.org/10.1145/3604237.3626854 金融における合成(生成)データのレビュー論文 Potluru et al. 2023 https://doi.org/10.48550/arXiv.2401.00081 Potluru et al. 2023 https://doi.org /10.48550/arXiv.2401.00081 モデルの比較、コードの公表：試したり比べたり Berti et al. 2025 https://doi.org/10.48550/arXiv.2502.07071 Berti et al. 2025 https://doi.org /10.48550/arXiv.2502.07071 https://github.com/LeonardoBerti00/DeepMarket https://github.com/LeonardoBerti00/DeepMarket Nagy et al. 2025 https://doi.org/10.48550/arXiv.2502.09172 Nagy et al. 2025 https://doi.org /10.48550/arXiv.2502.09172 https://github.com/peernagy/lob_bench https://github.com/peernagy/lob_bench 見せ玉をAIトレーダーにさせないための実装を検討 Byrd 2020 https://doi.org/10.1145/3533271.3561767 Byrd 2020 https://doi.org /10.1145/3533271.3561767 流動性ごとに見せ玉がどれくらい有効であるかを検討 Gu, et al. 2024 https://doi.org/10.1145/3677052.3698634 Gu, et al. 2024 https://doi.org /10.1145/3677052.3698634 生成AIを使う https://doi.org/10.11517/pjsai.JSAI2025.0_1H4OS8b04 2025 ,水 高 野 橋 執行アルゴ(買い) 発動期間 指値注文の場合 高橋, 水野 2025 https://doi.org /10.11517/pjsai.JSAI2025.0_1H4OS8b04 マーケットインパクトモデルを組み合わせて実用的に Vytelingum et al., 2025 https://doi.org/10.48550/arXiv.2505.15296 Vytelingum et al., 2025 https://doi.org/10.48550/arXiv.2505.15296 民間での開発も(NDIVIAイベントでNASDAQ発表) 提案手法：青(LOBGAN) https://www.nvidia.com/gtc/session-catalog/sessions/gtc26-s81530/ https://www.nvidia.com/gtc /session-catalog/sessions/gtc26-s81530/ 7
- https://doi.org/10.1145/3604237.3626854
- https://doi.org/10.48550/arXiv.2401.00081
- https://doi.org/10.48550/arXiv.2502.07071
- https://github.com/LeonardoBerti00/DeepMarket
- https://doi.org/10.48550/arXiv.2502.09172
- https://doi.org/10.1145/3533271.3561767
- https://doi.org/10.1145/3677052.3698634
- https://doi.org/10.11517/pjsai.JSAI2025.0_1H4OS8b04
- https://doi.org/10.48550/arXiv.2505.15296
- https://doi.org/10.1145/3533271.3561753
- https://doi.org/10.1145/3490354.3494411
- https://www.nvidia.com/gtc/session-catalog/sessions/gtc26-s81530/
高速取引やAIの株式市場への影響：一般向け書籍 https://www.kodansha.co.jp/book/products/0000417886 https://www.kodansha.co.jp/book/products/0000417886 https://mizutatakanobu.com/jbook2.htm (立読み・紹介サイトまとめ) https://mizutatakanobu.com/jbook2.htm https://mizutatakanobu.com/2025c.pdf 講演資料(引用多数) https://mizutatakanobu.com/2025c.pdf https://doi.org/10.1007/978-981-96-1713-5 https://doi.org /10.1007/978-981-96-1713-5 人工市場を用いて金融の規制やルールの検証を 行った研究のまとめの英文書籍を書きました。 私共のこれまでの研究の集大成的な書籍です。 Springer Natureより、出版 日本語かつ無料の関連文献だけでもぜひ！ 資産運用業界についてのレポート https://www.sparx.co.jp/report/special/mizuta/ https://www.sparx.co.jp/report/special/mizuta / https://mizutatakanobu.com/jbook1.htm https://mizutatakanobu.com/jbook1.htm 日本語講義資料(引用多数) https://mizutatakanobu.com/2026r.pdf https://mizutatakanobu.com/2026r.pdf 8