2024年版 金融業界における人工知能、高速取引、人工市場による市場制度の設計
3.4K Views
October 26, 23
スライド概要
2024年版
金融業界における人工知能、高速取引、人工市場による市場制度の設計
水田孝信
動画版 https://youtu.be/iw35lKAMicQ
この資料で多く引用している私のレポートはこちらです。
https://www.sparx.co.jp/report/special/
本発表資料は所属組織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．
この動画は、金融業界における人工知能、高速取引、人工市場による市場制度の設計、という３つのテーマでお話をしています。私が講演や講義でよく使うスライドをすべて集めました。いつもは聴衆の興味や時間の制限で飛ばしているスライドが多くあるのですが、この動画では時間を気にせずすべてのスライドで必要な説明を行いました。そのため、動画版は5時間15分という長大な動画となっています。チャプターで分けてありますので、見たいところだけ見るといった使い方をしていただけると幸いです。
関連スライド
各ページのテキスト
2024年版 金融業界におけるAI、高速取引、人工市場による市場制度の設計 スパークス・アセット・マネジメント株式会社 運用調査本部 ファンドマネージャー 兼 上席研究員 水田孝信 mizutata[at]gmail.com @takanobu_mizuta (twitter) https://mizutatakanobu.com 本発表資料はスパークス・アセット・マネジメント株式会社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． この資料はこちらにあります: https://mizutatakanobu.com/2024.pdf 1
自己紹介 2000年 気象大学校卒業 2002年 東京大学大学院理学系研究科地球惑星科学専攻修士課程修了 研究内容：宇宙空間プラズマのコンピュータシミュレーション 2004年 同専攻博士課程を中退 同年 スパークス・アセット・マネジメントに入社 2006年 クオンツ・アナリスト → 2010年より ファンド・マネージャー 2009年 人工知能学会などで研究発表を始める 2011年 東京大学大学院工学系研究科システム創成学専攻博士課程 社会人をしながら在籍 指導教官：和泉潔先生 研究内容：人工市場を用いた金融規制のシミュレーション 2014年9月修了： 博士（工学） 2017年度より 上席研究員兼務 現在：上記の学術研究、資産運用業界全般の調査・レポート、ファンドの管理的なマネージャー、 株式市場やポートフォリの定量的分析(のためのシステム開発・運用) 2007年 日本証券アナリスト協会検定会員 2014年度から2022年度まで 東京大学公共政策大学院 非常勤講師 2016年度より 人工知能学会 金融情報学研究会幹事 2022・2023年度は主査 2017・18年度 人工知能学会 代議員 2019年より Computational Finance and Economics Technical Committee Member on IEEE CIS 2
株式市場は様々な参加者がいることで成立 株式の高速取引と取引所の高速化 アセットオーナー 直接 執行 年金基金、ソブリン・ウエルス・ファンド 高速取引 業者 一部委託 一部 委託 株式 取引所 資産運 用会社 私は ココ！ HFT（High Frequency Trades） 高頻度取引 アセットマネジメント 注文 注文 個人 投資家 証券 会社 注文 執行 3
著作物や資料：もしご興味あればご覧下さい 本業の調査：高速取引や資産運用業界についてのレポート 学術研究：人工市場による市場制度の設計 https://www.sparx.co.jp/report/special/ 2023/10/23株式投資で気候変動を考慮することに賛否があるのはなぜか？[概要編] 2023/8/3 投資の世界における生成AI 2023/6/6 関東大震災から100年～今同じことが起きたら株式取引は継続されるか？ 2023/4/5 いまだに残るアクティブ運用とパッシブ運用への誤解 2022/12/15 新技術の悪い影響とそれを乗り越えてきた金融市場 2022/10/7 学術研究力に直結する大学の資産運用 2022/6/28 ROEと資本コスト：その企業の価値はいくらか 2022/4/7 世界的な株式の決済期間短縮化：T+1への統一が進むか？ 2021/11/15 金融市場の制度設計に使われ始めた人工市場 2021/9/8 金融市場で使われている人工知能 2021/8/16 続・市場は効率的なのか？実験市場や人工市場での検討 2021/4/12 "フラッシュ・クラッシュ・トレーダー"と呼ばれた男はフラッシュ・クラッシュとは あまり関係なかった：高頻度取引との知られざる戦い 2020/12/22 市場は効率的なのか？検証できない仮説の検証に費やした50年 2020/9/15 なぜそれらは不公正取引として禁止されたのか？ 2020/8/4 人工知能が不公正取引を行ったら誰の責任か？ 2020/7/3 お金とは何か？-古代の石貨から暗号資産まで2020/1/24 国際資本の舵を取ってしまったグローバルインデックス算出会社 2019/9/18 アセット・オーナーが行っている投資："悪環境期に耐える"と"ユニバーサル・オーナー" 2019/7/8 社会の役にたっている"空売り“ 2019/6/13 高頻度取引（３回シリーズ第３回）：高頻度取引ではないアルゴリズム取引と 不公正取引の取り締まり高度化 2019/5/8 高頻度取引（３回シリーズ第２回）：高頻度取引業界-競争激化と制度・規制の整備2019/4/3 高頻度取引（３回シリーズ第１回）：高頻度取引とは何か？ 2019/3/11 あの日から８年～自然災害と取引所～ 2018/11/7 信託報酬ゼロの出現～コスト以上に重要なこと 2018/8/17 上場銘柄数が減少し小型株が冴えない米国 2018/5/21 なぜ株式市場は存在するのか？ 2018/4/23 水平株式保有は経済発展をとめるのか？ 2018/3/2 パッシブファンドの新たなる論点「水平株式保有」 2018/2/16 優れたアクティブファンドはいろいろな忍耐強さを持っている 2018/2/16 アクティブファンドが超えてはいけない規模 2016/12/2 良いアクティブ運用とは？ -対ベンチマーク運用の衰退とハイリーアクティブ運用の再起- 教科書的な本 高安美佐子ほか，マルチエージェントによる金融市場のシミュレーション, コロナ社, 2020，和泉潔，水田孝信，第５章「エージェントモデルによ る金融市場の制度設計」 https://www.coronasha.co.jp/np/isbn/9784339028225/ 人工知能学会誌の特集記事 水田孝信，八木勲 (2021) 「人工市場による金融市場の設計と広 がる活用分野」 人工知能学会誌 人工知能 2021年5月号 https://doi.org/10.11517/jjsai.36.3_262 4
人工市場による市場制度の設計：学術的に詳細なもの 博士論文(モデル構築の詳細などが書かれています) 水田孝信 (2014) 人工市場シミュレーションを用いた金融市場の規制・制度の分析, 東京大学大学院工学系研究科システム創成学専攻 2014年9月26日 博士（工学） （博工 第8404号） https://mizutatakanobu.com/jphd.htm レビュー論文英語版 Mizuta (2019) An agent-based model for designing a financial market that works well, 査読付き国際会議論文 https://doi.org/10.1109/SSCI47803.2020.9308376 arXiv https://arxiv.org/abs/1906.06000 Slide: https://mizutatakanobu.com/2021kyushu.pdf YouTube: https://youtu.be/rmlb72ykmlE 先行研究をひたすら紹介した英文レビュー論文 Mizuta (2016) A Brief Review of Recent Artificial Market Simulation Studies for Financial Market Regulations And/Or Rules, SSRN Working Paper Series https://ssrn.com/abstract=2710495 5
【宣伝】 人工知能学会 金融情報学研究会 (SIG-FIN) https://sigfin.org 年2回（10月ごろと3月ごろ）東京都内＆オンラインで開催 誰でも聴講可 ← 人工知能学会の会員でなくてもよい 参加費：1,000円 聴講：学者よりも実務家が多い メーリングリスト登録ページ https://groups.google.com/g/jsai-fin/about ✓ 機械学習やテキストマイニングの技術を金融実務に応用する研究多い ✓ 人工市場シミュレーションの研究もよく発表されている 和泉先生のブックマーク(人工知能学会誌)：人工知能の金融応用に関する研究会、国際的な学会、ツール類やデータなど https://www.ai-gakkai.or.jp/resource/my-bookmark/my-bookmark_vol37-no1/ 6
今日のお話 A: 金融業界におけるAI B: 高速取引 C: 人工市場による市場制度の設計 この３つのお話を用意しました スライドごとに音声を収録しています。収録時期はスライドによってバラバラです これまでのバージョンと同じ話のところはスライドや音声を使いまわしています 声の調子とかが急に変わることがあるのでご了承ください 一部機械音声もあり急に変わるのでご了承ください スライドの細かいところは修正したけど音声は修正してないところとかもあります 7
今日のお話 A: 金融業界におけるAI B: 高速取引 C: 人工市場による市場制度の設計 (参考レポート) 「投資の世界における生成AI」, 2023 https://www.sparx.co.jp/report/detail/1144.html 「金融市場で使われている人工知能」, 2021 https://www.sparx.co.jp/report/detail/306.html 「人工知能が不公正取引を行ったら誰の責任か？」, 2020 https://www.sparx.co.jp/report/detail/499.html 8
（１）AIの仕組み：生成AIの仕組みも含めて （２）AIの得意・不得意および脅威・規制 （３）金融での応用 （４）金融での脅威 私が資産運用業界（特に株式）に所属しているため、 金融業界といっても資産運用業界を中心に紹介します 9
（１）AIの仕組み：生成AIの仕組みも含めて （２）AIの得意・不得意および脅威・規制 （３）金融での応用 （４）金融での脅威 10
人工知能学会の定義 人工知能研究 人工知能(AI)とは知能のある機械のことです．しかし，実際のAIの研究ではこのような 機械を作る研究は行われていません．AIは，本当に知能のある機械である強いAIと，知 能があるようにも見える機械，つまり，人間の知的な活動の一部と同じようなことをす る弱いAIとがあります．AI研究のほとんどはこの弱いAIで，図のような研究分野があり ます． 強いAI そもそも”理解”とは何か、といった 哲学的な論争が行われている 信原幸弘「強いAI」国際哲学研究, 別冊13, 2020 https://doi.org/10.34428/00011545 人工知能学会ホームページ https://www.ai-gakkai.or.jp/whatsai/AIresearch.html AI(人工知能) ≒ 古典的統計学以外の計算機での演算手法全般 SFに出てくる”人工知能”とはかけ離れている 所詮は”コンピュータ”、”計算機”。コンピュータから別のものになったわけではない 人工“知能”と言うが、“知能”そのものを獲得したわけではない “知能”があるかのように誤解されるものを目指しているだけ 11
囲碁で人間に勝ったのは凄いんじゃないの？・超ザックリな仕組みの説明 どうやって囲碁をさしているか？誤解を恐れずに、簡単に言えば、、、 （説明を簡単にするために簡略化していますが、当然、 もっとさまざまな工夫がなされています。） ここに打つのはどうか？ 圧勝 自分同士で 何度も対戦 圧勝でも ない ここに打つ 違う手を 検討 おびただしい回数繰り返せば、かなりのケースを網羅できる 人間だと5,000年かかる → 私だって5,000年あればトップ棋士に勝てる 単純な作業を高速で繰り返すことができるのがAIの長所 12
もうちょっと詳しく(1/2) 入力データ （石の場所） ←重み 30年くらい前に発明されたニューラルネットワークを例に説明します 実際にはこれが非常に入り組んでもっと高度に工夫された ディープラーニング、トランスフォーマー、などとよばれるものが使われています 生成AIも これが高度に 結合されもの！ （隠れ層） 入力データ×重み を全部足して、丸める ←重み ←重み ←重み ←重み 出力値 隠れ層結果×重み を全部足して、丸める ←答え（負け） ←出力値 出力値が答えと合うように うまく重みを調節 http://web.archive.org/web/20170824142808/http://stevenmiller888.github.io/mind-how-to-build-a-neural-network/ バックプロパゲーション AIの世界では これを“学習” とよぶ 人間の感覚ではこれで何を学習したのか？ と言いたくなりますが、、、、 13
もうちょっと詳しく(2/2) 入力データ （石の場所） ←重み （隠れ層） 入力データ×重み を全部足して、丸める ←重み ←重み ←重み ←重み 出力値 隠れ層結果×重み を全部足して、丸める ←答え（負け） ←出力値 近づいた！！これを繰り返す この局面ではどこにおけば勝率が高いか自動的に発見 http://web.archive.org/web/20170824142808/http://stevenmiller888.github.io/mind-how-to-build-a-neural-network/ 14
囲碁は超細分化すれば簡単な作業に落とし込める 囲碁は、 ・ ルール、盤の大きさがあらかじめ決まっている ・ 繰り返し同じことが起こる・試せる 囲碁の打ち手は、頭が悪くても、おびただしい回数繰り 返せば、かなりのケースを網羅できる 人間より本質的に頭がよくなったわけではない 過去データのパターン分類・分析⇔新しいものを創造できない 人間は対局経験数のわりに異様に強い 囲碁というゲームを作り出したりは出来ない 人工知能は、人間にとって有用な道具である 人間より頭は悪いが、 飽きずに、大量に、速く、 データを処理できる 1人で繰り返し練習できる 取り扱う範囲があらかじめ限定 繰り返し同じことが起きる安定性 15
Chat GPT(Generative Pre-trained Transformer) 登録すればだれでも使えます(GPT-3.5)。有料版もあり(GPT-4)。 登録にはgoogle accountやMicrosoft accountも使えます。 https://chat.openai.com/ https://apps.apple.com/jp/app/chatgpt/id6448311069 スマホアプリ版もあり (類似品に注意) 16
Chat GPTの仕組み 生成AIの例としてChat GPT(Generative Pre-trained Transformer)の仕組みを説明するが、 基本は先に述べたニューラルネットワーク。これをいかに工夫して組み合わせ、大規模にするか、 という仕方で発展。驚くかもしれないが、囲碁も翻訳も作曲も絵画を描くこともチャットも、 仕組みは大きくは変わらない。チャットの場合、翻訳とほぼ同じ。 仕組みの工夫よりもモデルの大規模化、使うデータの量を大きくしたら、 ある規模・量を超えたところで途端に精度が向上した。 仕組みはむしろ人間からな離れていっており、すべてにおいて人間に追いついたり 追い越したりはまずあり得ない。しかし、仕組みが違うからこそ、分野によっては、AIが人間を凌駕し、 逆にAIが人間に全く追いつけない分野ももあるだろう。 人間とは全く異なった長所短所をもった「道具」と考えるべき。 人類は、鳥の真似をして羽ばたいても飛べなかったが、プロペラという生き物にはないものを使って 飛べるようになった。今でも人類は鳥のようには飛べないが、鳥より速く飛べる。 AIも、人間と同じことができるようにはならないが、人間を超える分野は多く出てくるだろう。 17
哲学者からの観点 人間と生成AIが全く異なることの解説 言語学からの観点 鈴木貴之 (東京大学大学院総合文化研究) 人工知能学会誌 折田 奈甫（早稲田大学理工学術院） https://www.ai-gakkai.or.jp/resource/my-bookmark/my-bookmark_vol38-no2/ 鳥みたいなものは作れるのでは？ あまり害のない生物が1種類増える感じ https://mainichi.jp/premier/politics/articles/20230620/pol/00m/010/005000c 脳科学からの観点 2023年度 人工知能学会全国大会 会長講演 津本周作「機械に知能を与えるということはどういうことなのか？」 人工知能学会の今の会長は、医師で神経内科の勤務経験があり、かつ、AIを研究 AIは人間の脳のうち特に前頭葉部分を実現できていない 前頭葉の障害の１つに遂行機能障害というものがあり、状況に応じた価値判断をしての 優先順位付け、臨機応変な対応、手順を１つ１つ言われなくても行動、などができなくなる これはまさにAIができないこと https://www.youtube.com/live/jtzKQ7aOMJ4?feature=share (1時間10分くらいから講演が始まります) 18
ChatGPTを分かりやすく解説した動画 分かりやすい 一般向け解説動画 (8分くらい) https://youtu.be/44Bl1ZwShxI 黒橋禎夫先生の解説 コンピュータによる言語処理を専門 短時間で正しく仕組みを解説(19分) https://edx.nii.ac.jp/lecture/20230303-04 黒橋先生の説明があまりにも完成度が高いので、ここからしばらくこの発表のスライドを拝借します 19 19
https://edx.nii.ac.jp/lecture/20230303-04 ネット上にある文章を大量にかき集めてきて、文章の次に来る可能性が高い 単語を出力する → Chat GPTも基本的にこれです 20
https://edx.nii.ac.jp/lecture/20230303-04 ニューラルネットワークで”学習”できるように数値化します→囲碁と同じになる 21
https://edx.nii.ac.jp/lecture/20230303-04 順伝搬型ニューラル ネットワーク(NN) 再帰型NN(RNN) 予測された 次の単語を示す数値 めっちゃでかい ニューラルネットワーク (NN) ものすごい量の 入力データ 学習結果をもう一度 入力に入れる 22
https://edx.nii.ac.jp/lecture/20230303-04 出力した単語をまた入力する 次々と次の単語を予測し出力する 23
https://edx.nii.ac.jp/lecture/20230303-04 (attentionやこの後のtransformerの説明は省略しますが) この仕組みで高精度な翻訳ができるようになった 24
自動翻訳技術: Chat GPTにやっていること似ている：生成AIの先駆け 以前の方法 文章をなるべく文章として分析 人間に似たアプローチ 最近の方法 DeepLが人気 https://www.deepl.com/ ニュース記事や専門的な文献など堅く書かれた 文章のななめ読みや、自分が書いた英語が誤 解なく通じるかどうかの確認などには十分使える (翻訳結果の日本語・英語をそのまま外に出す 気にはなれないけど) 文章としての分析をあきらめ、 単語をベクトル(数値)にして 何も考えずに統計的に処理する (囲碁と同じ解き方) →飛躍的精度の向上！ (2017年ごろ) 人間とは全く異なる アプローチ https://doi.org/10.11517/jjsai.34.4_437 須藤克仁, “ニューラル機械翻訳の進展 ─系列変換モデルの進化とその応用─”, 人工知能(人工知能学会学会誌), 2019年7月号 25
https://edx.nii.ac.jp/lecture/20230303-04 Generative: 生成的 Pre-trained: “学習”を済ませてあるモデル Transformer: NNをめっちゃうまい具合に大規模に組み合わせる組み合わせ方の１つ だったら、会話の続きも出力するのでは？ 26
https://arxiv.org/abs/2206.07682 このような統計的に次の単語を当てることで精度が出るのか？ → 規模を大きくしたら(必然的にその分”学習”データも多く必要になる) あるところから急に精度が上がった！：多くの研究者が驚いた では、なぜデータ量を増やすと精度が上がるのか？誰にも分かりません。 27
https://edx.nii.ac.jp/lecture/20230303-04 驚きの瞬間！！ 28
https://edx.nii.ac.jp/lecture/20230303-04 パラメータ数：重みなどの数 十分な”学習”には これの10倍くらいはデータ必要 その後人の手で大量の”学習”を行う(強化学習)：人力 → 多額を費やしたとの説も (ハードや電気代も半端ない。アルゴリズムが公開されても他社が追いつけない理由の１つ) 29
強化学習のイメージ（あくまでイメージです、GTP-4） Goodボタンの効果は不明 30
生成AIの可能性と問題点 画像生成や作曲なども基本的にはChatGPTと同じような仕組み 何かを理解して生成している訳ではなく、ニューラルネットワークを駆使して統計的に 一番ありそうなものを大量のデータの中から探し出して組み合わせているだけ やっていることは従来からある(広い意味での)「検索＆コピペ」を非常にうまく行うもの しかし一方で、東ロボ君ポロジェクトで明らかになったように、「検索＆コピペ」すらもできない人間が多く存在し、 かつ、「検索＆コピペ」だけで遂行できる仕事は意外なほど多い 問題は、ただの「検索＆コピペ」であることを知らずにこれに頼り、 とんでもない間違いを放置する場合が続出しそうなこと 「検索＆コピペ」の精度が高いため、間違いにまったく気づけない 2018, 「AI vs. 教科書が読めない子どもたち」 https://str.toyokeizai.net/books/9784492762394/ 生成AIが普及し生成AIが作ったものがネット上にあふれると、これが「検索」対象になり、これが間違っていても正しいもの として「コピペ」するため、間違いが加速する可能性すらある「データ汚染」(これを防ぐためかChatGPTは最新のデータを学習させていない) 生成AIの間違いを見つけるのは人間しかできない ますます高い能力が求められる(機械翻訳を使いこなしているのは翻訳家) 人間ができなかったことができるようになったわけではない、まだ存在しないものを新たに生み出せない。 人間が過去やったことをもう一度繰り返すことができる。人間にはまねできないほどの速さで。 能力がある人が繰り返し行う面倒な仕事や、能力がない人にやらせる仕事が生成AIの得意分野 31
（１）AIの仕組み：生成AIの仕組みも含めて （２）AIの得意・不得意および脅威・規制 （３）金融での応用 （４）金融での脅威 32
生成AIが得意なこと・できること https://edx.nii.ac.jp/lecture/20230303-04 (1)プログラミング プログラミングって、けっこう、検索と コピペでですよね？ プログラムが組めなかった人が簡単な プログラムなら作れるようになる しかし、もっとも恩恵にあずかるのは スキルのあるプログラマーが 短時間で大量にコードをかけるように なる 知らない言語で書かなくてはならなく なった時など強力な補助ツールとなる 33
(2)ホワイトカラー雑務全般 Microsoft 365 Copilot： AIをAIとわざわざ言わない、普通の時代に https://adoption.microsoft.com/ja-jp/copilot/ ・Wordでは書き始めが難しいドキュメント作成もドラフトを用意してくれる ・Excelではデータから傾向を分析してくれたりグラフなどのビジュアルデータを数秒で作成 ・PowerPointでは良いビジュアルのプレゼンテーションファイルを作成 ・Outlookではメールの文面を自動生成 ・Teamsではビデオ会議の議事録から要点を抽出 生成AIの得意分野 オンラインミーティングで リアルタイムに発言内容 の要約を表示 Copilot(副操縦士)：副操縦士は操縦士と同じことができるのでこの名称は操縦士をバカにしているという意見もあるが、、。 補佐はするけど人間にとって代わることはできないことを意味している 旅客機の操縦は昔５人くらいでやっていたが２人まで減らせた パイロットは引き続き必要だけど、そのパイロットの作業を効率化し飛躍的にこなせる仕事量が増える AIのホワイトカラーでの活躍は、そういう活躍であると暗示している 34
(3)絵画作成、作曲、小説執筆など芸術全般 これまでにない全く新しい作品を生み出すのは無理だが、これまでの作品からありそうなものを作るのは得意 芸術作品にもいろいろあり、学校の校歌や宣伝用の漫画、バナー広告の画像など、このレベルで十分なものはむしろ多い ただし、理解して作成している訳ではないことに注意 人間：ラーメンを手づかみすると熱いのではしで食べる AI：めんのようなものが口の近くに来ると、別の物体がある絵が多い https://twitter.com/ririvavas/status/1582677889409232896 https://twitter.com/clown000/status/1594233962691710977 ラーメンは熱い、食べ物である、といったことを理解したのではなく ラーメン＆はしが同時に出てくるデータ(絵)が増えたことにより改善された 35
画像生成AI(Stable Diffusion)を用いた脳デコーディング 2023年7月号のニュートンに ChatGPT特集あり。画像生成AIの話もあり、 その中で脳デコーディングが紹介されていた https://www.newtonpress.co.jp/newton/back/bk_2023/bk_202307.html fMRI(磁気共鳴機能画像法, functional magnetic resonance imaging）で読み取った脳の状態のデータを入力値として、画像生成 AIでその人が見ている画像を再現する。 上の画像が実際に見ている画像、下の画像が見ている人の脳をfMRIで 測定しそのデータから生成AIが作った画像。 (解説はやや強気な感じだが、 人手による強化学習の解説は 一般人向けにここまで解説したものは 少ないので良い) https://doi.org/10.1101/2022.11.18.517004 36
音楽、映画、画像などの芸術作品の作成が得意。この分野は革命が起きるだろう ただし著作権が認められるか、侵害してないかなど法的に複雑な議論が進行中で、 落ち着くまでは商用利用は慎重にならざるを得ない 2023年6月19日 文化庁 令和5年度著作権セミナー「AIと著作権」 https://www.bunka.go.jp/seisaku/chosakuken/93903601.html 良くも悪くも、日本の法律は欧州や米国に比べ、AI側有利(クリエーター側不利)に 話が進んでいる感じがする：これは他の分野でもこの傾向がある ビジネスとしては日本のほうがチャンスがあると言えるかもしれない ただし、最近はクリエーター側の懸念の声が官邸に届き始めており、状況は一転するかもしれない 37
(4)宿題や課題レポート 生成AIは、致命的な間違いを含む危険性があるが、その間違いは非常に見つけにくく、 とても無難で、ありそうなものを生成する。先生が気づかなければその後どこにも出ることがなく、 あとで間違いが発見されて問題になることもない。また、新規性が高い文章を書く必要がなく、 無難な文章で事足りる。そのため、使う人の能力が低くても問題にならない数少ない領域で ある。つまり、宿題や課題レポートは、「学生が楽をするという観点では」、生成AIがもっとも活 躍する領域であることは間違いない。 当然、教育業界では大問題となっている。 38
生成AIでできないこと・問題点 (1)データにないことは間違える・作れない 「検索＆コピペ」を組み合わせているので、当然検索にかからないことは対応できない これまでに全くない新しい芸術作品も生み出せないだろう 文章内で話が完結し、文章内に答えが書いてある問いが苦手 「知らない」という状態自体が分からない。「正しい」「間違っている」という概念自体が存在しない。 存在していないものや世界を新たに作ったりはできない 39
「知らない」という状態が分からない https://twitter.com/fladdict/status/1651862861097095168 40
データがあっても表記が難しいものは解釈ミスすることもある レオナルド・ダビンチ作 最後の晩餐の人の配置を説明した文章は生成AIが間違いやすい事例 https://firenzeguide.net/saigonobansan/ 国立情報学研究所オープンハウス 鈴木久美「Bing対話型検索とGPTモデル」 https://www.nii.ac.jp/event/openhouse/2023/ https://youtu.be/KbGbvoG1pTA 41
(2)データ上にある好ましくないバイアスもそのまま引き継ぐ 人間に潜むバイアスもデータとして取り込んでいるようだ → 客観性という機械の良さを失っている 手作業でひとつひとつ”学習”させている このようなバイアスは 採用面接やお金の貸付の審査などで 大問題となる バイアスのない世界という存在しない世界を作れない 42
博士や看護師はニュートラルにとらえているが、裁縫が得意なのは女性であるというバイアスがあるようだ 43
道徳の教え方の違い：人間と生成AI 人間 人は生まれながらに平等 その人の属性で能力を決め つけてはいけない 生成AI 裁縫が得意なのは女性だとか言ってはならない 博士といえばおそらく男性だろうとか言ってはならない 運転がうまいのはおそらく男性だとか言ってはならない ・ ・ ・ ・ とてつもない労力に違いない 44
(3)人類の脅威となる使い方もある AIによる脅威１：ディープフェイク ダーウィン・ジャーナル ディープフェイクとは？偽動画の例や仕組み・作り方・危険性などをまとめて紹介 https://darwin-journal.com/deep_fake ！！偽物です！！ https://youtu.be/cQ54GDm1eL0 ディープフェイクは実際に世論の操作に使われている 45
生成AIの精度の高さは日常でも感じるようになってきた NHKに聞く「人間のアナがいるのにAIがニュースを読む」理由 え、どっち？ 伊藤園CMの「AIタレント」がSNSで話題 https://www.itmedia.co.jp/news/articles/2212/16/news141.html https://www.itmedia.co.jp/business/articles/2310/19/news136.html 生成AIが作成した合成音声によるニュース放送 ほとんど違和感はない 生成AIで作成されたタレントが出演するCM 46
AIによる脅威2：攻撃手段の作成 通常の武器の作成方法、犯罪のやり方などはもちろん、大量のフェイクニュースの作成、 そして、最も得意なのは瞬時にコンピュータウイルスを作ること。 これらを出力しないように手作業で修正を施して規制しているが、 それらをうまくかいくぐる質問(プロンプト)を生み出す人や、 SQLインジェクションのようなAI作成者が意図していないコードを実行させる プロンプトインジェクションという手法まで存在する。まさにイタチごっこ https://www3.nhk.or.jp/news/special/sci_cul/2023/05/special/20230519/ 47
AIによる脅威3：監視 健康診断と称して顔や声のデータを取られ、 行動履歴データから(政府にとっての)危険性をランキング 監視カメラで監視する、という世界 監視カメラで特定の人種を瞬時に判別し追跡 同じ技術 防犯カメラの解析で犯人を素早く特定、迷子の子を探す https://www.shinchosha.co.jp/book/507261/ 48
規制は必須 規制に関しての議論は、自動車が発明されたころに似ている。もう馬車の時代には戻ら ず、使わないという世界はないが、走ってはいけない場所を決め、信号機を設置し、ルー ルを作って、安全にし、人類にとってなくてはならないものになった。しかし、今でも日本だ けでも年間２千人以上の方が自動車事故で亡くなっており、負の側面を減らす努力は いまだに続けられている。AIもこのような経緯をたどるだろう。 AIの法規制の議論をまとめた法学系の博士論文 AIの利活用における刑法上の諸問題 : 利用者と製造者の刑事責任を中心に https://doi.org/10.34382/00018588 AIトレーダーが勝手に不正取引を行った場合の法的な議論も載ってます 私の研究も引用いただきました：引用された研究 人工知能は相場操縦という不正な取引を勝手に行うか？-遺伝的アルゴリズムが人工市場シミュレーションで学習する場合https://doi.org/10.11517/jsaisigtwo.2020.FIN-025_82 あのG7でも国際的な生成AIの規制に関して議論された 生成AIのルール、年内に見解 G7閣僚級「広島プロセス」 https://www.nikkei.com/article/DGXZQOUA19A0F0Z10C23A5000000/ 49
生成AIは今後どう発展するか？ GPTは自然言語処理の技術において画期的な発明があったわけではな い(小さい改善はあるが)。むしろ、仕組みは単純化し、ますます人間から は離れていった。これまでとの違いは圧倒的な入力データ量。入力データ 量がある量を超えたとき突如、いろいろな種類の応答ができるようになっ た。この、データ量があれば、わりとしょぼい方法でもよい結果が出せると 解釈すれば、方法の改善により更なる発展が期待できるが、方法は関 係なくデータ量で結果が決まると解釈すれば、データ量はこれ以上増やす のが難しいところまで来ているので、今後の発展は絶望的である、という ２つの解釈がある。 50
明確に存在する技術の壁 先の本が出た1969年は、 過去２０年で商業用 ジェットエンジンなどの技術 革新により、羽田ーロサン ゼルスが６０時間から１ ０時間に短縮されるなど旅 客機の急進歩の時代だっ た。当時の人々は５０年 後の今も１０時間のままだ と想像しえないだろう。 1903年 ライト兄弟初飛行 1963年 (+60年) ボーイング727 2023年 (+60年) ほとんど変わってない https://ja.wikipedia.org/wiki/旅客機 技術というものは急速に発展する時期と、壁(音速の壁)にぶつかって停滞する時期がある 生成AIはデータ量の限界により限界に達しつつあるという説もある 51
新技術評価のジレンマ 顕著な事例： 1960年代の超音速旅客機の議論 1969年、NHKに依頼されて宇宙航空学が専門（ただし超音 速旅客機は専門でない）学者が書いた本 序盤：なぜ超音速旅客機の開発が遅れているのか？ 終盤：「いや、これ全然無理でしょ」を遠まわしに その領域プレーヤー(特にビジネスでの) 一番詳しい ⇔ 客観的な情報一番出さない 周辺のプレーヤー 勉強すれば一番客観的な情報出せる ⇔ 通常は勉強するインセンティブない SSTの科学―超音速旅客機 (NHKブックス) 1969 https://www.amazon.co.jp/dp/4140011025 52
(もっと勉強したい方に、、、、) http://llm-jp.nii.ac.jp/ 大規模言語モデル(LLM)を専門としている学術的研究者が集まった勉強会 最先端を知るのに良い日本語の資料が集まっている 53
（１）AIの仕組み：生成AIの仕組みも含めて （２）AIの得意・不得意および脅威・規制 （３）金融での応用 （４）金融での脅威 54
金融業界での高度な事例：業績要因文の抽出 （ブートストラップ法） https://doi.org/10.1527/tjsai.30.172 自動で 増やす 企業web などより 手がかり表現 （いくつか手入力） 意味は分からなくても業績要因文を抽出・分析できる 55
統合報告書に得点を付ける 決算説明会での説明の客観性を判定 https://doi.org/10.11517/jsaisigtwo.2023.FIN-031_55 AIが統合報告書の文章に得点を付ける AIに好まれる統合報告書の書き方の追求 ロジカルにハッキリ書くという意味で悪くはない https://doi.org/10.11517/jsaisigtwo.2023.FIN-031_68 AIが決算説明会を聞いて判断する世界 AI好みの話し方も研究され始めるか？ 統合報告書の得点向上の文章を提示 https://doi.org/10.11517/jsaisigtwo.2023.FIN-031_75 AIが判定する点数が高くなる文章を提案 実際には行っていないことが文章として出てきた場 合は、企業が行うべき行動を示したと言える AIが高評価する文章を提示するAI：AIが読みAIが書く時代に 56
新聞記事の自動作成 https://www.nikkei.com/article/DGXLRST0444423R30C17A7000000/ 日経新聞 決算サマリー https://pr.nikkei.com/qreports-ai/ 機械が記事を書き、その記事を機械が記事を読み込んで、 数値化したら要約したりする時代はもうすでに来ている 人工知能が読みやすい公表資料とは？ 57
失敗例 元の文章が容赦なければ 容赦ない記事になってしまう 新聞記事に“ふさわしくない” ⇔ そのあたりが機械には 理解できない 58
執行アルゴリズム取引の強化 注文を”小分けにして”さばく仕事を 機械化したものが執行アルゴリズムです 機関投資家 電話 A社 1万株 買い アルゴリズムで 証券会社 アルゴリズム A社 100株 99円 買い A社 100株 98円 買い A社 100株 99円 買い : 自動発注 取引所 59
人工知能を使ったアルゴリズム取引事例１（1/2） 2017/4/13 日本銀行コンファレンス https://www.boj.or.jp/announcements/release_2017/rel170412c.htm/ https://www.nikkan.co.jp/articles/view/00386896 価格が大きく動くのを直前に知りたい 急いで買う、ゆっくり買う、を切り替えたい 60
人工知能を使ったアルゴリズム取引事例１（2/2） 2017/4/13 日本銀行コンファレンス https://www.boj.or.jp/announcements/release_2017/rel170412c.htm/ とはいえ、、、 アルゴリズムは日中の 短期間の予測のみ 金融市場の価格時系列は ”斉一性原理”が成立していない 自然科学のような普遍的な法則はない 水田孝信 「市場は効率的なのか？検証できない仮説の検証に費やした50年」, 2020, スパークス・アセット・マネジメント https://www.sparx.co.jp/report/special/3118.html 重要な情報は注文板の状況 文章理解が必要がない 市場予測の中では、 人工知能が得意な分野 61
どういう仕組みか？(1/2) ニューラルネットワークを例に説明します 実際にはこれが非常に入り組んでもっと高度に工夫された ディープラーニングが使われています 入力データ （注文板情報など） ←重み （隠れ層） 入力データ×重み を全部足して、丸める ←重み ←重み ←重み ←重み 出力値 隠れ層結果×重み を全部足して、丸める ←答え（下落） ←出力値 出力値が答えと合うように うまく重みを調節 http://web.archive.org/web/20170824142808/http://stevenmiller888.github.io/mind-how-to-build-a-neural-network/ 62
どういう仕組みか？(2/2) 入力データ （注文板情報など） ←重み （隠れ層） 入力データ×重み を全部足して、丸める ←重み ←重み ←重み ←重み 出力値 隠れ層結果×重み を全部足して、丸める ←答え（下落） ←出力値 近づいた！！これを繰り返す どの注文板情報が騰落とどのように関係しているか自動的に発見 http://web.archive.org/web/20170824142808/http://stevenmiller888.github.io/mind-how-to-build-a-neural-network/ 63
(おまけ１) 人工知能を使ったファンドがあるとよく言われますが、、 従来からのクオンツファンドが行っているファクターへの投資に “加える”という感じがほとんど ゼロから人工知能の学習結果だけで投資することは皆無 （クオンツ：金融市場を定量分析する人たち） 多数のファクターを 合成するのが普通 (元からある) ファクターへの 投資戦略 人工知能 ファクターの追加 人工知能 売買リスト 2017/4/13 日本銀行コンファレンス でも言及あり タイミングや組 み合わせなどの 出力や修正 (その後の売買の執行方法は 通常のファンドと同じ) https://www.boj.or.jp/paym/forum/rel170412c.htm 最近の研究: 阿部真也、中川慧、“グローバル株式市場における深層学習を用いたマルチファクター運用の実証分析”、 第33回人工知能学会全国大会、2019年 https://doi.org/10.11517/pjsai.JSAI2019.0_4Rin135 64
(参考)ファクターへの投資 時価総額/純資産 下位20% リターンの平均 － 時価総額/純資産 上位20% リターンの平均 ファクターによっては リターンとの相関が 出る場合がある 30% 20% 数銘柄持っても ファクター有効性は 取り出せない 10% リターン = ファクター有効性 0% -10% -20% -30% 0 0.5 1 1.5 2 2.5 3 (割安) ← 時価総額/純資産 → (割高) 大量に持てば (割安を買い割高を 空売り)すれば ファクター有効性は 取り出せる 65
(おまけ２) 市場の上がる下るをあてるアルゴリズムもあるにはある 公表 日本銀行ホームページ 頻繁に公表の 有無を確認 時間 公表文章の 取得 アルゴリズム 分析結果に基づいて 自動発注 為替市場 2015年～2017年ごろに日本銀行金融決定会合の結果発表後、 即座に為替取引をする投資戦略が流行った 日本銀行 金融研究所「金融政策アナウンスメントとアルゴリズム取引：ウェブページへのアクセス情報を用いた検証」, 2018 https://www.imes.boj.or.jp/research/abstracts/japanese/18-J-11.html 66
不公正取引の監視：AIが最も貢献する捜査分野、一方、悪用が最も懸念される分野でもある 防犯カメラの解析で犯人を素早く特定 同じ技術 監視カメラで特定の人種を瞬時に判別し追跡 ディープフェイク、ドローン兵器(無人兵器)の暴走 に並び、大きな議論となるだろう https://www.chuko.co.jp/laclef/2019/09/150667.html 67
金融庁：株価操縦を狙った書き込みを人工知能で探す 株価操縦の疑いのある書き込みを探す研究 https://sigfin.org/?SIG-FIN-015-03 https://www.nikkei.com/article/DGXMZO45654000U9A600C1EE9000/ 掲示板の書き込みの中から、通常ではありえないような異常な書き込みを探す → 株価操縦などの捜査の足がかりに 掲示板を使った仕手株筋が相次いで捕まったことと無関係ではない？ 68
東証： 売買審査業務への人工知能の導入（2018/3/19） プレスリリース https://www.jpx.co.jp/corporate/news-releases/0060/20180319-01.html 人工知能学会 金融情報学研究会(@東証ホール) 2018/3/20 招待講演資料 https://sigfin.org/?020 69
証券会社の不公正取引監視 警視庁のマネーロンダリング取締り https://www.watch.impress.co.jp/docs/news/1350990.html 人工知能で相場操縦を見つける https://www.yomiuri.co.jp/national/20211025-OYT1T50124/ https://doi.org/10.1109/DASA53625.2021.9682322 70
（１）AIの仕組み：生成AIの仕組みも含めて （２）AIの得意・不得意および脅威・規制 （３）金融での応用 （４）金融での脅威 71
生成AIが作るフェイクニュースによる相場操縦 https://www.itmedia.co.jp/news/articles/2305/23/news082.html 米国国防総省近くで爆発が起きたとする偽ニュース 米国株式が一時下落する騒ぎとなった 生成AIを使えば、偽ニュースやウソをSNSや掲示板へ、 自動的に、しかも大量に書き込むことができてしまう。 しかも、生成AIは正確性は劣るにしても、文章自体は 非常に自然であり、偽ニュース作りにはこれ以上にない 技術と言えるだろう。 例えば、一見有名経営者に見える人が記者会見を行っ ている偽の動画なども現れるかもしれない 一方で、普及した生成AIが作った画像や動画であれば、 それを検出する技術もあるので、この技術の発展には期待 https://www.yomiuri.co.jp/life/digilife/column/20230913-OYT1T50158/ 72
人工知能が勝手に不正取引をしたら法的責任は？ (参考文献) 水田孝信 「人工知能が不公正取引を行ったら誰の責任か？」, 2020 スパークス・アセット・マネジメント https://www.sparx.co.jp/report/special/3071.html 人工知能は相場操縦という不正な取引を勝手に行うか？ ―遺伝的アルゴリズムが人工市場シミュレーションで学習する場合― ○ＡＩトレーダーが勝手に相場操縦をするかどうかをコンピュータシ ミュレーションで実験 → する場合があることが分かった ○ここでいう”勝手に”とは、ＡＩトレーダーの作成者・使用者が、相 場操縦するつもりがなかったとしても、ＡＩトレーダーが学習の中で、 相場操縦を最適な取引戦略として見つけ出し、実行すること ○現在の日本の法律では（アメリカでも同様）、ＡＩトレーダーの 作成者・使用者が相場操縦を意図していない場合、刑事責任を問 えない ○このままだと、「ＡＩが勝手にやった」と言い逃れする人が現れる ため、規制を強化する必要がある、と結論付けた 第４回金融資本市場のあり方に関する産官学フォーラム (2019/2/22)基調報告(3) 予稿 https://doi.org/10.11517/pjsai.JSAI2020.0_2L5GS1305 プレゼン資料 https://mizutatakanobu.com/202006.pdf プレゼン動画 https://youtu.be/tqaeTA2MfDg http://www.pp.u-tokyo.ac.jp/CMPP/forum/2019-02-22/ 日本銀行金融研究所「アルゴリズム・AIの利用を巡る法律問題研究会」報告書 (2018/9/11) https://www.boj.or.jp/announcements/release_2018/rel180911a.htm/ 73
eKYCを不正に突破 銀行口座の開設時などの本人確認をスマートフォンで完 結させるeKYC(electric Know Your Customer) 生成AIを使えば他人に成りすまして本人確認を突破さ れてしまう恐れがあるという研究報告 左が突破を試みている人を映したもの 右がそれをもとに生成AIが作り出したなりすまし動画 これをスマートフォンに見せて、本人確認しようとしている 川名のん他 (2021) 「Deepfakeを用いたe-KYCに対するなりすまし攻撃と対策の検討」 第35回 人工知能学会全国大会 https://doi.org/10.11517/pjsai.JSAI2021.0_1F2GS10a02 74
まとめ 1/2 ここでは、ChatGPTを例に、最近盛り上がりを見せている生成AIの仕組みを説明し、何ができて何ができないのかを 説明した。生成AIは何かを理解して生成している訳ではなく、ニューラルネットワークを駆使して統計的に一番ありそう なものを大量のデータの中から探し出して組み合わせているだけである。しかし、そのデータ量が莫大であり、そのデータ 量がある閾値を超えたとき出力の精度が飛躍的に向上した。 技術の進歩によりAIの仕組みはむしろ人間から離れていっており、すべてにおいて人間に追いついたり追い越したりは まずあり得ない。しかし、仕組みが違うからこそ、分野によっては、AIが人間を凌駕し、逆にAIが人間に全く追いつけな い分野もあるだろう。人間とは全く異なった長所短所をもった「道具」と考えるべきである。 人類は、鳥の真似をして羽ばたいても飛べなかったが、プロペラという生き物にはないものを使って飛べるようになった。 今でも人類は鳥のようには飛べないが、鳥より速く飛べる。AIも、人間と同じことができるようにはならないが、人間を超 える分野は多く出てくるだろう。 得意分野として、プログラミング、ホワイトカラーの雑務全般、絵画作成、作曲、小説執筆など芸術全般、宿題や課 題レポートをあげた。ただし、Microsoftが新サービスを”Copilot”と名付けているように、補佐はするけど人間にとって代 わることはできない、パイロットは引き続き必要だけど、そのパイロットの作業を効率化し飛躍的にこなせる仕事量が増え ることを示唆している。 苦手なことや問題点として、データにないことは間違える・作れない、データ上にある好ましくないバイアスもそのまま引 き継ぐ、人類の脅威となる使い方があることをあげる。「知らない」という状態が分かってないし、存在していないものや世 界を新たに作ったりはできない。 もう、生成AIがない世界には戻らない。負の側面は、自動車が発明された時のように、信号機を作り、走ってはいけな い場所を決めるなど、ルール作りで対応するであろう。 75
まとめ 2/2 次に、金融業界、特に資産運用業界とその周辺でどのようにAIが使われているのかを紹介した。例として、文章の要 約・分析・作成、執行アルゴリズム取引の強化、不公正取引の検出を紹介した。人工市場による金融市場の設計に 関しては次の講義で簡単に紹介する。 金融におけるAIは、期待よりも懸念のほうがはるかに大きい。生成AIを使えば、偽ニュースやウソをSNSや掲示板へ、 自動的に、しかも大量に書き込むことができてしまう。しかも、生成AIは正確性は劣るにしても、文章自体は非常に自 然であり、偽ニュース作りにはこれ以上にない技術と言えるだろう。 実際に、米国国防総省近くで爆発が起きたとする偽ニュースが、爆発の偽画像とともにSNSなどで広がり、米国株式 が一時下落する騒ぎがあった。生成AIを使えば、偽の動画も作成可能なため、一見有名経営者に見える人が記者 会見を行っている偽の動画なども現れるだろう。生成AIは、相場操縦を行う強力な道具なのだ。一方で、普及した生 成AIが作った画像や動画であれば、それを検出する技術もあるので、この技術の発展に期待したい。 また、現在の法律の不備を突いて、「生成AIが勝手に書き込んだもので自分はそんなつもりはなかった」とAIのせいに して責任逃れする場合も出てくるかもしれない。AIが勝手にやったと主張されると、現在の法律では取り締まりが難しく なる可能性が指摘されているのだ。 さらに言えば、最近、銀行口座の開設時などの本人確認をスマートフォンで完結させる、eKYC(electric Know Your Customer)という技術が出てきたが、生成AIを使えば他人に成りすまして本人確認を突破されてしまう恐れが あるという研究報告もある。 76
今日のお話 A: 金融業界におけるAI B: 高速取引 C: 人工市場による市場制度の設計 (参考レポート) 「フラッシュ・クラッシュ・トレーダー“と呼ばれた男はフラッシュ・クラッシュとはあまり関係なかった：高頻度取引との知られざる戦い」, 2021 https://www.sparx.co.jp/report/detail/302.html 「高頻度取引（３回シリーズ第１回）：高頻度取引とは何か？」, 2019 https://www.sparx.co.jp/report/detail/314.html 「高頻度取引（３回シリーズ第２回）：高頻度取引業界-競争激化と制度・規制の整備-」, 2019 https://www.sparx.co.jp/report/detail/315.html 「なぜ株式市場は存在するのか？」, 2018 https://www.sparx.co.jp/report/detail/310.html 77
（０）なぜ株式市場は存在するのか？ （１）高速取引とは （２）高速取引の主要戦略 （３）高速取引業界の状況 （４）株式取引所同士の高速化競争 78
株式市場は様々な参加者がいることで成立 アセットオーナー 直接 執行 年金基金、ソブリン・ウエルス・ファンド 一部委託 一部 委託 株式 取引所 資産運 用会社 私は ココ！ 高速取引 今日の お話 業者 HFT（High Frequency Trades） 高頻度取引とも アセットマネジメント 注文 注文 個人 投資家 証券 会社 注文 執行 高速取引業者：株式の転売で儲けたい：古本屋 アセットオーナー、投資家：企業を保有したい：本を読みたい お互いに 必要 本を入手するのに古本屋は必要だが、ぼったくられたくない （高頻度取引業者は生きててほしいがボロ儲けして欲しくない） 79
私は高速取引業者の人でもなければ、取引所の人でもありません。 また、高速取引に使う機械にも詳しくありません。しかし、だからこそ、 立場上言えないことや脚色しなければならないということが全くなく、 外部から見て、客観的に語れる部分があると思います。 80
（０）なぜ株式市場は存在するのか？ （１）高速取引とは （２）高速取引の主要戦略 （３）高速取引業界の状況 （４）株式取引所同士の高速化競争 81
株の取引は社会の役に立っているのか？ なぜ株式市場は存在するのか？ https://www.sparx.co.jp/report/detail/310.html YouTube https://youtu.be/0kRXfsrBwpM 株式市場は人類の発展に非常に重要 社会に不要、単なるギャンブルではない さらに高速取引業者となると、ますます何の役に立っているか分かりにくく、 とりあえず、古本屋みたいなもので、役に立っていると理解して下さい 次ページからしばらく「なぜ株式市場は存在するか」解説したスライドです以前自動読み上げで 動画を作ったものをそのまま使うので、しばらく声が変わります。ご了承ください。 82
なぜ株式市場は 存在するのか？ このパートのみ、 テキスト読み上げソフトを使っています 急に声が変わってすみません このパートが終わったらまた私の声に戻りますので注意！ 83
物々交換により、得意なことに集中し、役割分担 魚 をた 食ま べに たは い 肉 をた 食ま べに たは い 肉 物々交換 イノシシを捕まえるのが得意 専念 魚 魚を取るのが得意 専念 時間を越えた交換は面倒 人類は高度な役割分担により他の生物を凌駕 84
時には魚がまったくとれず肉をもらって飢えをしのいだ 困 おっ 互た いと 様き は 肉 海が荒れ 魚が取れない カネ その後・・・ あ り が と う ！ カネ 魚 イノシシが 見つからない “カネ”を用いると カこ あ の おネ借り きをりが ま渡のと すし証う てに！ 借 困 りおっ は互た 返いと し様き ま は す 時間を越えた交換が容易に カネが仲介することにより時間を越えた価値の交換が可能 85
価値の受け取りが先、価値創造が後、という場合がほとんど 誰 し ば か カ もにネら ら役がく お立あ使 うてるわ て な い 魚をとって カネを集めたいけど 道具がない 投資 支払い モリ あ ま っモ てリ るが ・ ・ ・ 魚 魚魚 分け前 支払い その後・・・ カネが仲介することにより価値創造が実現する前に価値を渡すことが可能 魚イ 食をノ べいシ たっシ いぱ飽 いき た 86
金融業者は両者を常に探しておき、ニーズが合致したときに両者のマッチングを容易にする 誰 カ使し もか ネわば らに がなら お役 あいく う立 てる て 知必で ら要も ・なと、 ・いし誰 ・んてが だいカ よるネ ねかを 事業資金 手数料 投資家 金融業者 人 い手 ま託そが取っにモ せしのいりぱ入リ んてカまそいれさ かみネすう魚れえ ？ をよなをば 。 企業家 分け前 金融＝すぐにお金が必要な人としばらく使わない人をむすぶ 道たカ魚 具いネを がけをと など集っ い めて 知 で ら持も っ、 ・な て誰 ・い いが ・ん だるカ よかネ ね を 87
新しい事業を始めるには出費が先、儲けも不透明 → 分け前を狙った投資が必要 １次市場 証券会社 投資家 仲介 株式 事業資金 企業 配当（分け前） この投資によりイノベーションが生まれる 現代の株式市場：１次市場（新品市場） 88
投資は永久にするわけでない、辞めるときに簡単に転売できることが重要 短期間で仕入れ・転売 投機家 ２次市場 投資を始めたい 投資家 配当 （分け前） 企業 買う 流動性 享受 流動性 供給 株式 事業に興味なし 価格変動に興味 売る 流動性 享受 投資をやめたい 投資家 取引所 ２次市場で売却できなければ１次市場で投資できない ２次市場で容易に売買できること（流動性）が１次市場を成立させ、 社会にイノベーションを提供 ２次市場（中古市場） 89
古本屋は本の中身に興味がない、でも「けしからん」とはならない 本屋 100円 買い Aさん ９０円 売り 古本屋 ９５円 買い Bさん ９０円 売り 流動性を 供給 本が円滑にまわし読みされる 買ってもすぐに、小さい価格差で売れるので安心して買える 新品の本を安心して買える 流動性を供給する古本屋 90
古本屋がないと新品の本が売れない 本屋 100円 買い 50円 Aさん 売り 大幅な 値引き Bさん Ｃさん 発見が 困難 本が円滑にまわし読みされない 買ってもなかなか売れず、しかも大きい価格差でしか売れないので、買いづらい 新品の本を買うのを躊躇 流動性を供給する古本屋がない場合 91
株式市場は人類の進化をもたらすイノベーションを後押し 企業 100円 出資 長い期間の投資が必要 350円 買い 350円 増資 300円 取引所 Ｃさん Bさん 売り 360円 Dさん 上場 売り Eさん 一部の期間なら 一部の期間なら 流動性供給 投資したい 投資したい 一部の期間なら 投機家 投資したい 200円 Aさん 売り 投資家のリレーが円滑 買ってもすぐに、小さい価格差で売れるので安心して投資できる １次市場での投資が容易 株式市場は人類の進化をもたらすイノベーションを後押し 92
（０）なぜ株式市場は存在するのか？ （１）高速取引とは （２）高速取引の主要戦略 （３）高速取引業界の状況 （４）株式取引所同士の高速化競争 93
とりあえず、おすすめの本をあげておきます(1/2) 第１章アルゴリズム取引とは １－１アルゴリズム取引とは／１－２アルゴリズム取引の目的／１－３アルゴリズムの種類／１－４ アルゴリズムの運用者／１－５アルゴリズム取引環境の変化とHFT／１－６アルゴリズム取引規制 第２章アルゴリズム取引の市場環境 ２－１証券市場／２－２証券取引所／２－３証券会社／２－４売買制度／２－５マーケット 情報／２－６レイテンシー削減のための接続方式／２－７不公正取引／２－８アメリカの市場環境 第３章市場取引におけるリターン、リスク、コスト、流動性 ３－１損益／３－２リターン、コスト、リスク／３－３流動性 第４章アルゴリズム取引概論 ４－１アルゴリズム取引の目的／４－２アルゴリズム取引戦略の大分類／４－３アルゴリズム取引の 利用形態／４－４アルゴリズム構築手順の概要 第５章アルゴリズム取引戦略 ５－１執行アルゴリズム／５－２ベンチマーク執行アルゴリズム／５－３マーケット・メイキング・アルゴリ ズム／５－４裁定アルゴリズム／５－５ディレクショナル・アルゴリズム／５－６市場操作系アルゴリズ ム 第６章HFT：高頻度取引 ６－１HFTの概要／６－２HFTの定義／６－３HFTのシェア／６－４HFTのアルゴリズム取引／ ６－５HFTが市場に及ぼす影響／６－６HFTの規制 第７章外国為替取引におけるアルゴリズム取引 ７－１外国為替取引の市場環境／７－２株式取引アルゴリズムと外国為替取引アルゴリズムの違い ／７－３外国為替取引におけるアルゴリズム取引戦略／７－４個人投資家からみたＦＸ取引アルゴ リズム 第８章アルゴリズム取引の環境の変化と投資家の取組み ８－１アルゴリズム取引の変化／８－２プレイヤー別の対応状況／８－３アルゴリズム取引の導入に おける課題と対策／８－４個人投資家の視点から ［付録］ Ａインプリメンテーション・ショートフォール Ｂ証券会社やFX業者が提供するオーダー・タイプ https://store.kinzai.jp/public/item/book/B/13408/ 書籍名は怪しげだが、網羅的で教科書的な内容 高速取引のみならずアルゴリズム取引全般の実態を正確に紹介 94
とりあえず、おすすめの本をあげておきます(2/2) ✓ “フラッシュ・クラッシュ”は非常に客観的で余計な脚色がなく、敵・味方 の無理な押し付けもない、良く書かれたノンフィクション ✓ ただし、この本の主題は高速取引でもなければ、フラッシュ・クラッシュで はない。個人投資家が相場操縦に手を染め、捕まる物語 ✓ 主人公はe-mini S&P 500先物の取引で大量の見せ玉を行って逮 捕された個人投資家であり、高速取引はやっていない ✓ しかも主人公の取引は2010年のフラッシュ・クラッシュとほぼ関係ない ✓ しかし、逮捕時にメディアに”フラッシュ・クラッシュ・トレーダー”として紹介 されたため、このタイトルとなった ✓ 犯罪に手を染めてしまった経緯、捜査側の行動、逮捕後に フラッシュ・クラッシュ https://www.kadokawa.co.jp/product/321707000030 犯人から手口を教えてもらう当局など、とても勉強になった 私のレポートでも取り上げてます ✓ 「金融市場には、正義も悪もいない。いるのはルールを守っ ているものと、そうではないものだけ」を実践できなかった主人 "フラッシュ・クラッシュ・トレーダー"と呼ばれた男はフラッシュ・クラッ シュとはあまり関係なかった：高頻度取引との知られざる戦い 公と実践している当局者たちの物語 映画化も予定されている(余計な脚色がつかないかちょっと心配) https://www.sparx.co.jp/report/detail/302.html https://www.hollywoodreporter.com/news/dev-patel-star-flash-crash-new-regency-see-saw-1280039 95
(ご参考までに) 書籍ではトレーダー・ナブを追っている ・イギリス在住のナブは個人投資家、ほぼデイトレーダー、米国の先物、特にS&P500ミニを多く取引した 逮捕時(2015年)は36歳？ ・生活は非常に地味で実家ぐらし。両親はナブが家の二階の自室で巨額のトレードをしていることを知らなかった ・ナブは、HFTは見せ玉という違法行為を行って、個人投資家からお金をだまし取っていると誤解 ・そのような陰謀論にハマってしまい、自分も見せ玉をして対抗するしかないと決意してしまう ・証券会社には何度も怒られるが、グレーな証券会社に変えて、見せ玉を数年続ける ・実はHFTは見せ玉に非常に弱く、当局に規制強化を依頼 つまり、ナブが見せ玉の加害者だと勝手に思っていたHFTは実は最大の被害者だった ・その後、米では不正取引には課徴金の１割程度という懸賞金がかけられ、 多くの一般人がデータ分析に参入、これで足がついた(ナブの課徴金は数十億円規模?) ・ナブは巨額な利益をあげるも、他の投資詐欺(うその投資話)に引っかかってしまい多くを失う ・捕まった後のナブは米当局に不正取引のレクチャーをした、おかげで不正取引の検挙数増えた ・これは司法取引に含まれていて、実刑は免れ自宅軟禁(自宅はイギリス)で済んでいる。 (しかも自宅軟禁開始(2020/3?)がロックダウン開始と重なるというオチ付) 私のレポートでは ・見せ玉は違法であること ・HFTは見せ玉に異常に弱いこと、 だからと言って見せ玉をしていいことにはならないこと ・近年のＨＦＴと取引所の接近は、不正取引の取締りをするうえで、 懸念があること https://www.bbc.com/news/explainers-51265169 などを本の内容を少し紹介しながら書きました 96
今日のお話は私が執筆したスペシャルレポートでも言及 https://www.sparx.co.jp/report/special/ 2019/4/3 高頻度取引（３回シリーズ第１回）：高頻度取引とは何か？ 2019/5/8 高頻度取引（３回シリーズ第２回）：高頻度取引業界-競争激化と制度・規制の整備2019/6/13 高頻度取引（３回シリーズ第3回）：高頻度取引ではないアルゴリズム取引と不公正取引の取り締ま り高度化 2021/4/12 "フラッシュ・クラッシュ・トレーダー"と呼ばれた男はフラッシュ・クラッシュとはあまり関係なかった：高頻度取 引との知られざる戦い 2018/5/21 なぜ株式市場は存在するのか？ (関連) 2020/9/15 なぜそれらは不公正取引として禁止されたのか？ 97
注意が必要な本・映画 ・とにかく大げさ ・高速取引を悪者にしたい意図 ↑このために誤った記載多数 ・高速取引を排除する取引所を作った人を正義として描く ↑現実ではあまり普及しなかった取引所(IDX) https://iextrading.com/stats/ この部分は映画化はされていない ⇔ 映画化された部分の方が悪意は少ないかな (裁定取引の話) ・やたらと敵・味方、善・悪に分けたがる(そんなのはない) ・2009年～2011年ごろの話 ↑今こんなには儲からない(後述) しかし、ハードウエアの戦いだという雰囲気はあっている フラッシュ・ボーイズ https://books.bunshun.jp/ud/book/num/9784167913403 98
株の取引はミリ秒（0.001秒）単位の差で、莫大な損得が発生するので、ヴィンセントとアントンの会社もそのレイテンシー (遅延)を減らすべく、システムを構築することに血眼になっていた。トレス・サッチャー社では、マイクロ波タワーの建設や光ケー ブルを計画中だが、巨額となる予算などに難航していた。 ・裁定取引の速さ競争 → 主人公チーム：地下ケーブル、敵チーム：電波塔 全体的に大げさだし今はこんなには儲からない：やってることはこんな感じ 公式ページ（動画配信サイトへのリンクあり） http://hummingbirdproject-movie.jp/ （予告動画） https://youtu.be/_5XEDVirnmk 99
電波塔は実際にあります (映画のネタバレになってしまい申し訳ないですが)”敵チーム”が建設した電波塔は実在する。主 人公チームの地下ケーブルは実在しないようだ。映画の中でも数ミリ秒差で地下ケーブルが負けた。 November 17, 2017 VAND Capital Blog, Future of High Frequency Trading https://medium.com/anton-iribozov/future-of-high-frequency-trading-bbb37e220509 100
シカゴ取引所－ニューヨーク取引所の裁定取引 東京証券取引所の方のプレゼン資料 まっすぐの方が 速い 2013/4/26講義（慶應義塾大学） 証券市場におけるICTの活用について https://www.slideshare.net/kabucontse/20130426 101
フラッシュ・ボーイズ(本)＆ハミングバード(映画)の間違いは多くの専門家が指摘 While ‘Flash Boys’ (and ‘the hummingbird project’) may capture the complex execution framework of the US equities market, Michael Lewis does not portray the full story. The market may not be perfect, but it’s not rigged. フラッシュ・ボーイズ(とハミングバード)は米国の株式取引市場がいかに複雑であるかをうまく表現し ているが、すべて正しいわけでもない。市場は完全ではないが不正がはびこっているわけでもない。 https://tabbforum.com/opinions/no-michael-lewis-the-us-equities-market-is-not-rigged/ 102
重要なポイント ・ 金融市場には、正義も悪もいない いるのはルールを守っているものと、そうではないものだけ → 他の投資家同様に検査されれば良い ・ 一般投資家の本音は、高速取引業者は生きててほしいが ボロ儲けして欲しくない → 本を入手するのに古本屋は必要だが、ぼったくられたくない ・ 高速取引の主要な戦略は昔からあるものを機械化したもの 103
（０）なぜ株式市場は存在するのか？ （１）高速取引とは （２）高速取引の主要戦略 （３）高速取引業界の状況 （４）株式取引所同士の高速化競争 104
高速取引業者の主要２戦略：マーケットメーカー戦略、裁定取引 マーケットメーカー戦略 買いと売りの両方を常に出しておき、その差額だけ儲かる ↑古本屋と似ている 裁定取引 経済的価値が同じにもかかわらず、 取引所（市場）によって価格が異なる場合、 安いほうを買って高いほうを売る ↑新品より高く買ってくれる古本屋を探すのに似ている（せどり） 105
金融庁が用意している登録フォーマットの中に戦略がリストアップされていて、 マーケットメイク戦略、アービトラージ(裁定)戦略、ディレクショナル戦略、その他、である。 これらが高速取引の主要戦略だと分かる。 https://www.fsa.go.jp/common/law/guide/hft/03.html#03-03 106
最近はディレクショナルが増えている ディレクショナル戦略(金融庁定義) 近い将来の価格の変動を予測して利益を得る戦略 → 詳細は秘密だし多様と思われるので不明 後で述べるように、マーケットメイク戦略、裁定取引 (アービトラージ戦略)は速さ競争がすべてで一番速い ものの総どりであり、多様性がない。 高速取引業者間の競争が激しくなり、速さ競争で一 番になれなくなってきた業者がディレクショナル戦略に 活路を見出しているのではないか。 ただし、ディレクショナル戦略は利益の確実性が格段 に低く、これに頼る業者の収益は厳しいのではと想像 する。 https://www.fsa.go.jp/news/r2/sonota/20210630/20210630.html 107
マーケットメーカー戦略 買いと売りを同時に出す 注文 売り 注文数量 価格 84 101 176 100 買い 注文数量 99 204 98 77 注文 ９９円と100円を行ったり来たりしていると儲かる ↑ ９９円で買って100円で売ることを繰り返す これらの注文価格の先頭に並ぶ必要がある <- 一番速い必要 市場がどちらかの方向に動き出したら、すばやく逃げる必要 ↑ ９９円で買っちゃったものがもっと安い値段でしか売れなくなる 高速に取引できることが非常に重要な戦略 昔からある戦略。以前は大人数で手作業で行われていた。 彼らの仕事が機械化され効率化された ⇒ 社会全体のコストは下がったと考えられる。 108
裁定取引 経済的価値が同じものを、（例）99円で買い瞬時に他で100円で売る 取引所間や現物（株式）・先物・オプション間、ETF・現物間など （時間がたてば同じものになるもの同士） 昔からある戦略が機械化されたもの 99円で 買う 100円で 空売り 株式 99円の売り 短期間で 仕入れ・転売 投機家 取引所A 少しでも 早く売りたい 先物 先着１名 100円で買い のみ 取引所B １番でないと意味がない 誰よりも高速に取引できることが非常に重要な戦略 映画”ハミングバード・プロジェクト”はこの話 109
（参考）現実の裁定取引：ETF（上場投資信託）と株式の交換 高速取引業者 安いほうを買って 高いほうを売る 価格差が利益 ETF 交換 可能 株式 １ 株式 ２ 株式 3 株式 4 ・・・ ETFは組み入れている株式をすべて集めたものと交換可能 ETFと組み入れ株式に価格差があるときに，安いほうを買い，交換を行い， 高いほうを売って, 価格差を利益とすることができる． マーケットメーカー戦略をやりながら裁定取引を行う複雑な取引 110
必要な速さは、、、、 ”低レイテンシー”（低遅延） 一定時間内にどれだけ多くのデータを転送できるかはどうでもよい （一般的なネットの速さ） 1注文あたりのデータ量は多くない 我々は”レイテンシー”を以下の意味で使っています 注文の付け合せ処理にかかる時間やデータ転送時に発生する遅延の合計 取引所 注文付け合せ 取引価格の更新 新しい 取引価格 注文 投資家 各種ハードウエアのレイテンシー削減について研究している学会に招待講演を呼ばれたことがあります 111
（参考）東京証券取引所の方のプレゼン資料 2013/4/26講義（慶應義塾大学） 証券市場におけるICTの活用について https://www.slideshare.net/kabucontse/20130426 112
（参考）ディレクショナル戦略の例(両主要戦略に比べて確実でないため少ないハズ) 公表 時間 日本銀行ホームページ 頻繁に公表の 有無を確認 公表文章の 取得 アルゴリズム 分析結果に基づいて 自動発注 為替市場 2015年～2017年ごろに日本銀行金融決定会合の結果発表後、 即座に為替取引をする投資戦略が流行った 日本銀行 金融研究所「金融政策アナウンスメントとアルゴリズム取引：ウェブページへのアクセス情報を用いた検証」, 2018 https://www.imes.boj.or.jp/research/abstracts/japanese/18-J-11.html 113
アルゴリズム取引の正体より （参考）フラッシュボーイズで話題となったレイテンシー裁定 https://store.kinzai.jp/public/item/book/B/13408/ 複数の取引所の注文を取りに行くため に同時に注文を出すことがある しかし、市場の物理的な場所（デー タセンター）が違うことなど、さまざまな 理由により、厳密には同時注文が到 着しない なので、高速取引業者は、それに先 回りして100円で買っておいて、101 円で売りつけるなどが可能 これに対応する投資家は、遅延が予 想される市場には少し先に注文を出 すなどのアルゴリズムを使う 「いたちごっこ」 114
（０）なぜ株式市場は存在するのか？ （１）高速取引とは （２）高速取引の主要戦略 （３）高速取引業界の状況 （４）株式取引所同士の高速化競争 115
金融庁・関東財務局 高速取引行為者 登録義務化 日本においては2018年より当局への登録が義務付けられた ← 検査ができるようになった 証券会社の自己売買部門同様に検査できるようになった(これまで住所すら分からなかった) 証券会社の自己売買部門が高速取引を行う場合はここに登録する必要はない (金融商品取引業者などを除く) https://www.dir.co.jp/report/research/law-research/securities/20170622_012089.pdf これまで 証券会社 高速取引も やってる 2018年高速取引 専業 金融商品取引業者として 金融機関なの？ 住所すら分からない 検査されてた 証券会社 高速取引も やってる 金融商品取引業者として 検査される（変わらず） 高速取引 専業 高速取引行為者として 住所分かった＆検査可能 同じ高速取引をやっていても、ルールを守っているかどうかの検査が 入る・入れないと不平等があった。登録義務化でこれが解消された？ 116
全52社、日本所在は１社のみ（2022/12/26現在） https://www.fsa.go.jp/menkyo/menkyoj/kousoku.pdf 秘密主義で公には話をしてくれない。しかし、上場企業もあり開示資料ある会社も。 ダルマ・キャピタル(唯一の日本所在)は最近取材に応じている。 117
（参考）高速取引を行いたい方はこちらを熟読ください https://www.fsa.go.jp/common/shinsei/hst/index.html 118
最大手のバーチュ 2016/4/5 日本経済新聞 米ＣＥＯに聞く超高速取引の世界 シングルヒットで収益蓄積 https://www.nikkei.com/article/DGXMZO99122930R30C16A3I00000/ 唯一の上場企業で、唯一ある程度の情報開示がされている業者 マーケットメーカー戦略と裁定取引が主要な戦略 119
1238日のうち負けたのは1日だけについて https://www.jpx.co.jp/corporate/research-study/working-paper/tvdivq0000008q5y-att/JPX_WP_SP.pdf 勝率が50%ちょっとでも1日のうちに おびただしい回数勝負するので 勝ち越す可能性は非常に高い 120
バーチュは上場企業：いろいろ分かる VIRTU: Financial 2023Q2 Earnings Supplement https://s21.q4cdn.com/422114427/files/doc_financials/2023/q2/Virtu-Financial-2023-Q2-Earnings-Supplement.pdf 当然、利益なども開示されている。高速取引そのもののほかに取引所やブローカー(代理執 行)のような商売もしているらしい。主要な戦略はマーケットメイク戦略と恐らく裁定取引。 高速取引の利益は減少傾向にあったが新型コロナの混乱時は利益が増加。 ブローカー業務の重要度が増している 121
唯一日本所在 ダルマ・キャピタル 2019/1/16 NHK 株価の波乱要因？！ 超高速取引の実態は https://archive.is/L34Ih （アーカイブ） やはり、マーケットメーカー戦略と裁定取引が主要な戦略 122
2021/5/14、テレビ東京「ガイアの夜明け」にでてました https://www.youtube.com/live/Q5S2U1ghL5M?feature=share https://www.tv-tokyo.co.jp/plus/business/entry/2021/023748.html テレ東BIZ https://txbiz.tv-tokyo.co.jp/gaia/vod/post_226800 要約版 https://youtu.be/fM91_V_33U4 123
個々の装置でニュース記事となる 2016/8/8 The Wall Street Journal 進化する超高速取引、光速の領域に踏み込む https://jp.wsj.com/articles/SB11948173908644753879104582238422701469822 124
重いシステムコスト 2016/8/30 Bloomberg シカゴ－東京の高速トレーディング網構築 で高頻度会社が協議－関係者 高速取引業者も厳 しい時代に、、 https://www.bloomberg.co.jp/news/articles/2016-08-30/OCP43S6K50Z601 125
計算機内の高速化 北陸先端大学の修士論文 https://hdl.handle.net/10119/15214 126
ここの高速化の研究 CPUではなくFPGA(Field Programmable Gate Array)を用いて演算、高速化をはかる 127
（参考）東京証券取引所の方のプレゼン資料 2013/4/26講義（慶應義塾大学） 証券市場におけるICTの活用について https://www.slideshare.net/kabucontse/20130426 128
進む装置産業化 2017/3/22 The Wall Street Journal 高速取引に陰り フラッシュ・ボーイズに苦難の時代 先週米HFT大手バーチュ・ファイナンシャルが同業のKCGホールディングスに買収を提案したとのニュース が流れたが、その背後にはこうした状況があったのだ。この買収が実現すれば、 電子取引で米最大手2社が統合することになる。バーチュの株価は15年の上場時から約4分の1に下 落し、KCGは過去2四半期にわたり主力のマーケットメーキング事業が赤字だった。多くの業界大手が撤 退した。インタラクティブ・ブローカーズ・グループのトーマス・ピタフィ会長兼最高経営責任者（CEO）は 今月、オプション市場のマーケットメーキング業務から撤退する方針を明らかにした。これはピタフィ氏が 1980年代に創設に参画した事業だ。かつてヘッジファンド大手シタデルでグローバルなHFT業務を率い、 その後はHFT会社テザ・テクノロジーズを立ち上げたミーシャ・マリシェフ氏は昨年11月、テザが自己勘定 取引から手を引くと述べた。 https://jp.wsj.com/articles/SB11171128282105153616004583037991111080344 現在の航空業界のような状況になるだろう これ以上の高速化技術がさらなる流動性向上につながるかは疑問 129
投資家は高速取引業界をどう思っているか？ 金融庁は60社程度のHFTの登録を見込む。世界大手はほぼ日本市場でも取引している。競 争は激しく、収益力は低下している。スパークス・アセット・マネジメントの水田孝信ファンドマネー ジャー兼上席研究員は「彼らがもうけすぎていると、他の投資家が高く買わされていることにな るから、今ぐらいがちょうどいいのでは」と指摘する。 かつて、証券会社の自己売買部門が提供していた流動性をHFTが代わって担うようになったい きさつもあり、HFTなくしては厚みのある市場は成り立たなくなった。 不公正な取引は他の投資家と同じように摘発しなければならない。株式の値幅制限のような ルールを入れにくい為替市場も急変動を抑制する仕組みが必要だ。だが、ルールを守っている以 上はHFTは市場のインフラにもなり、「生かさず殺さず」ということだろう。 2019/2/4松崎雄典 「高速取引は「生かさず殺さず」 市場の設計、道半ば」,日本経済新聞 https://www.nikkei.com/article/DGXMZO40796210R00C19A2000000/ 130
（０）なぜ株式市場は存在するのか？ （１）高速取引とは （２）高速取引の主要戦略 （３）高速取引業界の状況 （４）株式取引所同士の高速化競争 131
取引所はサーバーである == 過去 == == 現在 == 人が集まる「市場」 データーセンターにある「サーバー」 https://www.jpx.co.jp/corporate/events-pr/140years/index.html https://www.jpx.co.jp/systems/connectivity/ 132
（参考）テレビでよくみるあれは？1/2 どちらかと言えば飾りです 中の人もトレーダーでは ありません 東証職員のうち一部の部 署の人が中で働いている https://www.jalan.net/kankou/spt_13102aj2200024782/ 133
（参考）テレビでよくみるあれは？2/2 ニューヨーク証券取引所には現在でも人手のブローカーや マーケットメイクするトレーダー（スペシャリスト）が存在 （もちろん、電子取引が主です） (写真) https://toyokeizai.net/articles/-/145694 (2016/11/9: トランプ当確時) (詳細) http://www.nicmr.com/nicmr/report/repo/2004/2004aut02.pdf 134
感染者が出たあと、2020/3/23より入場停止になっていた（左） (写真) https://jp.reuters.com/article/ny-stx-us-idJPKCN21R3IU?feedType=RSS&feedName=special20 (詳細) https://www.newsweekjapan.jp/stories/business/2020/03/ny142.php 5/26から徐々に再開（右） https://www.nikkei.com/article/DGXMZO59611040W0A520C2000000/ 諸説あるが、いなくても大きな影響はなかったといわれている 135
取引所同士の高速化競争 取引所が多数存在 ⇒ 投資家に選んでもらえる取引所 100円で 売る 99円で 買う 株式 99円の売り 取引所C 高速取引 業者 （裁定取引） 少しでも 早く売りたい 株式 100円で買い 高速 取引所A 株式 100円で買い 低速 取引所B 他が同じ条件なら注文処理が早い取引所に注文 何度も取引できる、機会を逃したくない 他の取引所より注文処理が 少しでも速いことが重要 高速化競争 マーケットメイク戦略においても 高速な取引所の方がチャンスが多い ということもある 136
コロケーションサービス いち早く注文が取引所に届くように隣のサーバーラックに ⇒ コロケーションサービス（取引所提供） 同一データセンター HFTプログラム 一般 投資家 専門業者 自動発注 取引所サーバー 取引所 137
東京証券取引所提供コロケーション・サービス https://www.jpx.co.jp/systems/connectivity/ 138
（参考動画） コロケーションサービスのメニューや施設の性能を以下の動画にて短時間で分かりやすくご紹介しております。どうぞご覧ください。 https://www.jpx.co.jp/systems/connectivity/ 使用しているケーブルについての説明とかも (2分36秒あたり) サーバー2重化、電源、空調とかも（2分30秒～4分くらい） 139
まとめ ・株式の高速取引と取引所の高速化について現状を説明した ・高速取引は古本屋と同じように社会の役にたっている ・高速取引で必要な「高速」とは低レイテンシー(低遅延)のこと ・高速取引の主要な2戦略はマーケットメーカー戦略と裁定取引 いずれも古くからある手法で、その手作業が機械化されたもの ・高速取引は各種ハードウェアへの投資が巨額のため 以前ほどは儲かっておらず装置産業化・寡占化している ・これ以上の高速化がさらなる流動性向上につながるかは疑問 ・取引所も高速取引に使ってもらえるようにするために、 高速化を進めており、取引所同士の競争もある ・書籍”フラッシュ・ボーイズ”、映画”ハミングバード・プロジェクト”は 大げさで不正確だが、雰囲気は分かる ・書籍”アルゴリズム取引の正体”、”フラッシュ・クラッシュ”はとても客観的でおすすめ 140
重要なポイント ・ 金融市場には、正義も悪もいない いるのはルールを守っているものと、そうではないものだけ → 他の投資家同様に検査されれば良い ・ 一般投資家の本音は、高速取引業者は生きててほしいが ボロ儲けして欲しくない → 本を入手するのに古本屋は必要だが、ぼったくられたくない ・ 高速取引の主要な戦略は昔からあるものを機械化したもの 141
今日のお話 A: 金融業界におけるAI B: 高速取引 C: 人工市場による市場制度の設計 (参考レポート) 「金融市場の制度設計に使われ始めた人工市場」, 2021 https://www.sparx.co.jp/report/detail/305.html 142
まとめ 2008年の金融危機以降、伝統的な経済学では複雑系であったこの金融危機を分析できてい ないと批判し、金融・経済分野におけるエージェントシミュレーションである人工市場や人工経済な どの複雑系科学をもっと活用すべきだという主張があらわれた。人工市場をもっと活用し伝統的な 経済学の弱点を補完すべきであることは確かだと思われる。 今回は、人工市場研究を簡単にレビューしたあと、人工市場による市場制度の設計の研究を 呼値変更という実際に行われた制度変更の事例を交えながら紹介する。金融市場は人類の発 展に必要不可欠な道具である。McMillan[2002]が述べたように、「物理学者や生物学者が研 究してきたシステムと同じくらい複雑で高度なもの」であるうえに、「うまく設計されたときのみ、うまく 機能する」、まさに複雑系である。人工市場は、これまでにない制度によってどういうことが”起こりえ るか”を調べ“あり得る”メカニズムを見つけておく、”あり得る”副作用を見つけておく、という貢献がで きる。特に、喫緊の課題として規制やルールを議論している実務家からの注目が高い。 人工市場の貢献はまだ始まったばかりで、研究者が全然足りていない。この分野は社会への重 要な貢献ができることは間違いないので、啓蒙活動を続けていきたい。今後、もっと多くの金融市 場の規制やルールが人工市場や人工社会で扱えるようになり、うまく金融市場を設計することに貢 献し、社会の発展につながっていけばと願っています。 143
（１）他分野で活躍するエージェントシミュレーション （２）金融・経済におけるエージェントシミュレーション：人工市場 (2-1) 金融市場の基本性質の分析 (2-2) 金融市場の制度設計 本題 (2-3) 自動取引の実験場 (2-4) 社会経済全体のシミュレーション （３）人工市場による市場制度の設計事例：呼値の縮小 具体例：実際に制度・規制変更 実務・社会の動きも交えて （４）市場制度設計における適切な人工市場モデル 144
（１）他分野で活躍するエージェントシミュレーション （２）金融・経済におけるエージェントシミュレーション：人工市場 (2-1) 金融市場の基本性質の分析 (2-2) 金融市場の制度設計 本題 (2-3) 自動取引の実験場 (2-4) 社会経済全体のシミュレーション （３）人工市場による市場制度の設計事例：呼値の縮小 具体例：実際に制度・規制変更 実務・社会の動きも交えて （４）市場制度設計における適切な人工市場モデル 145
既存の経済学は金融危機を取り扱えなかった！ 金融市場は数式だけできれに表されるような単純なシステムではない バタフライ効果：蝶が羽ばたくという小さい動きがどのような影響を与えるかを正確に述べることは難しく、 台風を生み出すことさえ完全には否定できない それにも関わらず、既存の経済学は金融市場の動きをきれいな数式だけで表現しようとした。 その結果、2008年の金融危機では何が起きているか表現できなかったと多くの批判を浴びた。 人工市場(エージェント・ベースド・モデルによる金融市場のコンピュータ・シミュレーション) に大きな期待！！：複雑系システムを複雑なまま取り扱える NATUREやSCIENCEに，人工市場に期待をかける記事 Farmer and Foley (2009), Nature https://www.nature.com/articles/460685a これまでの経済学ではリーマンショックを分析・対応できなかったという批判 → 人工市場（エージェント・ベースド・モデル）ならできることある・期待 Battiston et al. (2016), Science https://science.sciencemag.org/content/351/6275/818 ECB総裁講演でも取り上げられる 標準的な経済学を否定し、 人工市場を絶賛 金融危機は人工市場でしか扱えない！ という勢いだが、ちょっと言いすぎ ヨーロッパ中央銀行(ECB)総裁だったトリシェが効率的市場仮説に基づく 金融理論が、金融危機中の政策決定に関してほとんど役に立たなったと述 リチャード・ブックステーバー 投資銀行や大手ヘッジファンドでリスク管理の責任 べ、エージェントシミュレーション(広い意味で人工市場)などが金融政策に 者を務めたのち、米国財務省を経て、現在はカリ 貢献することを期待していると述べた講演 フォルニア大学で教鞭をとっている。『市場リスク https://www.ecb.europa.eu/press/key/date/2010/html/sp101118.en.html ――暴落は必然か』の著者。 経済理論の終焉 金融危機はこうして起こる, 2019/1 https://www.panrolling.com/books/wb/wb273.html 146
鳥の集団行動を解き明かしたエージェント・ベースド・モデル 1匹１匹は単純な行動ルール https://mas.kke.co.jp/model/boid-model/ １匹１匹は単純な行動ルールだが、全体としては複雑できれいな模様 以前は個々の鳥が高度な行動をしていると考えられていたようだが、 エージェント・ベースド・モデルを用いることにより、そうではないことが解明 この模様は複雑系による産物であり きれいな数式だけでは決して説明できない 147
さまざまな分野で活躍するエージェント・シミュレーション コンピュータの中に仮想の社会を構築。ミクロなエージェント（人間）を多数投入。 エージェントは比較的シンプルなモデルでお互いに相互作用する。それらが集積して複雑なマクロの挙動がみれる。 理論モデル 研究 第３の視点 実証 研究 シミュレー ション ミクロ的 現象 橋渡し マクロ的 現象 ・複雑系である社会において、制度・規制の変更が与える副作用や想定外の効果を コロンブスのたまご的に発見 ・理論や実証で調べるべきテーマの発見、メカニズムの知識発見 ・既存の手法を補完する手法として他分野では定着 自動車道の整備が交通渋滞へ与える影響分析、 テロや火災・伝染病が発生した場合の避難の方法、など 148
エージェント・シミュレーション(社会シミュレーション)の類型 シミュレーション シミュレーション 理論 実験 情報科学 社会シミュレーション 演繹 帰納 シミュレーション研究 記号情報とプログラム 理論研究 物質エネルギーと法則 物理シミュレーション 物理科学 塩沢, 2006 Axelrod, 1997 Axtell, 2000 吉田, 1999 寺野隆雄, 「社会シミュレーションの類型」,数理社会学事典, 2022 https://www.maruzen-publishing.co.jp/item/?book_no=304405 寺野隆雄, 「なぜ社会システム分析にエージェント・ベース・モデリングが必要か」, 2010 https://doi.org/10.11487/trafst.4.2_56 エージェント・シミュレーションの類型、位置づけはいろいろ提案されている 149
簡単な具体例：初期のエージェントシミュレーション（後ほど再掲） 学生(#)と教授(@)が参加する立食パーティー # # # # @ @ @ # # @ # @ # # @ @ @ # # @ # @ @ # @ @ # # # @ # @ # @ @ # @ @ # # @ @ @ @ # @ @ @ @ @ @ @ @ # @ @ @ @ # # # @ @ @ # # # # @ @ # 分離されてしまう 「自分があまりにも少数派になりたくない」だけで 分離が起きる。積極的に「嫌い」なわけじゃない @ @ @ # # # @ @ @ @ @ # @ # # 解説記事「多角形のたとえ話」 https://ncase.me/polygons-ja/ ルール： # # @ # # ・ 自分の周り(8マス)に自分の同類が1/3より # # # @ @ @ # # 多ければよい # # @ @ @ # ・ 他方に囲まれた場合 どこかに移動 # @ @ @ @ @ 繰り返していくと、、、 修正ルール： ＃:要求同類の人数１人増 @:１人減、繰り返していくと、、、 # # # # # # # # # # # # @ # @ @ @ @ # # @ # @ @ トーマス・シェリング「ミクロ動機とマクロ行動」, 2016年 http://www.keisoshobo.co.jp/book/b251669.html この理由が分かることがシミュレーションの目的 現実の会場の最終配置を予測することは目的でない 配膳テーブルの位置とか、個々人の食べる量の違いとか、准教授は？とか、現実にこんな会場 ないとか、こんな単純な人いないとか、「この調査目的において」はどうでもよい。 むしろ「理由の理解」には邪魔になるだけ。 #の場所が狭くなる 「知りたいこと」に応じてモデルを簡略化・複雑化することが大事 150
活躍するエージェントシミュレーション COVID-19対応でも 役所の意思決定にも使われている https://mainichi.jp/articles/20180402/ddl/k33/010/298000c https://www.city.okayama.jp/0000006104.html https://www3.nhk.or.jp/news/html/20200220/k10012294081000.html https://archive.md/uUuwa (和文速報論文) https://doi.org/10.1527/tjsai.D-K28 NHKにも取り上げられる注目度(筑波大 倉橋先生) 新聞記者自らがシミュレーション ↑ ステイホームの必要性の解説に必要だった モデルは単純であり得ない設定だが、 だからこそ本質的なプロセスが理解できる http://www.mlit.go.jp/toshi/toshi_gairo_tk_000052.html https://www.washingtonpost.com/graphics/2020/world/corona-simulator/ （日本語版）https://www.washingtonpost.com/graphics/2020/health/corona-simulation-japanese/ キューバ危機時の米政府の会議をシミュレーション 注：COVID-19ではエージェントではないシミュレーションのほうが多い 出欠状況次第で結論が変わりえたことを示す 例) 西浦モデル、東京大学藤井・仲田モデル (内閣官房新型コロナウイルス感染症等対策推進室の資料↓に詳しい) https://jww.iss.u-tokyo.ac.jp/publishments/books/2012/hoshiro_2012_03.html https://www.covid19-ai.jp/ja-jp/presentation/advisory-board/covid-19-ai/ 151
- https://mainichi.jp/articles/20180402/ddl/k33/010/298000c
- https://www.city.okayama.jp/0000006104.html
- https://www3.nhk.or.jp/news/html/20200220/k10012294081000.html
- https://www.covid19-ai.jp/ja-jp/presentation/advisory-board/covid-19-ai/
- https://doi.org/10.1527/tjsai.D-K28
- https://archive.md/uUuwa
- https://jww.iss.u-tokyo.ac.jp/publishments/books/2012/hoshiro_2012_03.html
- http://www.mlit.go.jp/toshi/toshi_gairo_tk_000052.html
- https://www.washingtonpost.com/graphics/2020/world/corona-simulator/
- https://www.washingtonpost.com/graphics/2020/health/corona-simulation-japanese/
想定された津波からの避難：シミュレーションを見て議論、避難をあきらめていた人をやる気に シミュレーションのプロセスを見ることにより 議論が深まり、新たな助かる方法を生み出す https://news.yahoo.co.jp/articles/07955a2e9dbae92849c8c43b9f1b56e0bd10c529 （論文）http://id.nii.ac.jp/1001/00101155/ 予測精度を追求するのではなく、 プロセスを見せて議論を提供する 高知県黒潮町は予想される南海トラフの地震で 最も高い津波が想定されている（34.4m） これが発表された2012年当時、多くのメディアが殺到 当時の住民のアンケートからシミュレーションした結果、多 くの人が助からないことが分かった しかし、ある交差点で地震発生から10分経っていなけれ ば山へ、経っていればタワーに逃げると多くの人が助かるこ とが分かった → 住民はあきらめなくなった 山に行く途中の道が危険であるという発見 (今では避難タワーが増えたようなのでもっと良い避難計 画になっていると思います) （2017年完成のタワー）http://yama-ken.jp/日本一の津波避難タワー完成！/ 第２章に住民たちとシミュレーションを使った 議論の推移などが書かれています https://www.nhk-book.co.jp/detail/000000885122017.html 152
（１）他分野で活躍するエージェントシミュレーション （２）金融・経済におけるエージェントシミュレーション：人工市場 (2-1) 金融市場の基本性質の分析 (2-2) 金融市場の制度設計 本題 (2-3) 自動取引の実験場 (2-4) 社会経済全体のシミュレーション （３）人工市場による市場制度の設計事例：呼値の縮小 具体例：実際に制度・規制変更 実務・社会の動きも交えて （４）市場制度設計における適切な人工市場モデル 153
人工市場モデルを用いたシミュレーションとは？ (金融市場のエージェントシミュレーション） 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 その純粋な影響を抽出できる 154
各種言葉が表す領域（人によってけっこう使い方が違うが、、） Agent-Based Model, Multi-Agent Simulation, Artificial Market Agent-Based Model (エージェント・ベースド・モデル) ⇒ Agentが数個程度でhomogeneousの場合も含む → 英語論文を探すときはこの単語が一番よさそう Multi-Agent Simulation (マルチ・エージェント・シミュレーション) ⇒ Agentがとても多くheterogeneous Artificial Market: 人工市場 ⇒ Agent-Based Modelで金融市場をシミュレーション 155
複雑系の勃興時に研究が始まった 恐らく1990年代から行われている スタイライズドファクトを再現 価格の騰落(リターン)の頻度分布は正規分布をしたおらず、裾が厚い リターンの2乗の自己相関はゼロではない、ラグが大きくなるとゼロに近づく Takayasu, H., Miura, H., Hirabayashi, T., and Hamada, K.: Statistical properties of deterministic threshold elements - the case of market price, Physica A: Statistical Mechanics and its Applications, Vol. 184, No. 1, pp. 127, 1992 Lux, T. and Marchesi, M.: Scaling and criticality in a stochastic multi-agent model of a financial market, Nature, Vol. 397, No. February, pp. 498, 1999 実証研究で知られているスタイライズドファクトを再現するための最小限の エージェント(投資家)の特徴は何か？追求する バブルの発生メカニズム どういうときにバブルが発生するのか？メカニズム、エージェントの特徴 Izumi, K. and Okatsu, T.: An artificial market analysis of exchange rate dynamics, Evolutionary Programming V, pp. 27, 1996 Arthur, W., Durlauf, S., Lane, D., and Program, S. E.: Asset pricing under endogenous expectations in an artificial stock market, The economy as an evolving complex system II, pp. 15, Addison-Wesley Reading, MA, 1997 例えば、 U-Mart: Kita, et al. : Realistic Simulation of Financial Markets, Springer, 2016 プラットフォームモデル PlhamJ: 和泉研作成： https://github.com/plham/plhamJ いずれも、効率的市場仮説が否定するテクニカル戦略のエージェントが必要との結論 歴史あるテーマだが、これらは今でも重要なテーマ いずれも、予測や細かい再現を目的としていない 156
ファンダメンタル戦略・テクニカル戦略の２つに集約された 効率的市場仮説 これのみ いるハズ 不要な場合も ファンダメンタル エージェント 幅はあるが 存在 不要 株式の定義 全部買えば利益は 全て自分のもの アンケート調査や 実証研究*1 いない ハズ 主要な 戦略 人工市場*2 Stylized Factsを再現 絶対必要 テクニカル（順張り） エージェント 必要 人間の 基本特性 行動経済学 人への実験 *1 Menkhoff, L. and Taylor, M. P. (2007): The Obstinate Passion of Foreign Exchange Professionals: Technical Analysis, Journal of Economic Literature Yamamoto, R. (2021): Predictor Choice, Investor Types, and the Price Impact of Trades on the Tokyo Stock Exchange, Computational Economics https://arxiv.org/abs/1906.06000 *2 Lux, T. and Marchesi, M.(1999) Scaling and criticality in a stochastic multi-agent model of a financial market, Nature 157
被験者を使った実験市場でもエージェントモデルの妥当性が 確認されている 実験市場についてよくまとまった本 https://www.coronasha.co.jp/np/isbn/9784339028164/ 被験者を使った実験市場の結果にあうような人工市場シミュレーションを試みた ファンダメンタル戦略、順張り戦略をモデルに用いて、パラメータ調整すると、 実験市場の結果とよくあった Haruvy and Noussair (2006): The Effect of Short Selling on Bubbles and Crashes in Experimental Spot Asset Markets https://doi.org/10.1111/j.1540-6261.2006.00868.x 158
実証研究との一致はいろいろ議論があるものの、、、 ★金融市場においてどのような状況でも存在 (Sewell 2011) ⇒ 値には幅あり http://finance.martinsewell.com/stylized-facts/ （１）ファットテール （Mandelbrot 1963等多数） 価格の騰落率の分布が正規分布に比べ裾が厚い → 暴騰・暴落が正規分布で予想されるより多い 尖度： 1～100程度と値には幅がある （２）ボラティリティ・クラスタリング （Mandelbrot 1972等多数） 価格の騰落率の２乗が大きなラグでも自己相関をもつ → 市場が荒れだすと持続する 短いラグで0.1～0.2程度、ラグが長くなると急激に減少 ゼロに近づくもののマイナスにはならない（プラスを維持） 特定の法則が維持される”斉一性原理”(せいいつせい)が、 上記は数少ない常に成立するもの 長い時間スケールであるほど成り立っていない ただし、定量的には時により差がある これ以上あわせに行っても意味がない 159
投資戦略の最適化の不安定性による金融市場の不安定性 2022年の私の研究 https://doi.org/10.11517/jsaisigtwo.2022.FIN-029_01 投資家自身の売買によって価格を変化さ せてしまうこと(マーケットインパクト)をバック テストを用いたパラメータ最適化時に考慮 できないため、パラメータが定まらないことを 議論 最適な → 自身の売買のインパクトのせいで 自身の最適な戦略が定まらない 投資戦略が 変わる 金融市場は投資家が全員合理的 だったとしても本質的に不安定 最適な投資戦略を 過去の価格時系列上で 探す 特定の投資戦略に到達しない 投資戦略の最適化は安定しない 投資戦略の 実行 価格時系列が 変わる 金融市場は本質的に，合理的に投資戦略を選定する場合でも，特定の投資戦略のパラメータには達することができ ない性質をもっている．そのときは合理的な投資戦略を選択したとしても，その投資戦略が価格時系列を変更し，合 理的な投資戦略が変わり，と繰り返されるから． このような予測不能な動きとなるパラメータに基づいた投資戦略によって生み出された市場価格の時系列が，予測可 能であったり規則性が安定的に存在したりするとは考えにくい．規則性の不安定性は，価格時系列を数理モデル化する 際の大前提である斉一性原理をも疑わせ，価格時系列の数理モデル化の難しさを示すものであると考えられる． 160
（１）他分野で活躍するエージェントシミュレーション （２）金融・経済におけるエージェントシミュレーション：人工市場 (2-1) 金融市場の基本性質の分析 (2-2) 金融市場の制度設計 本題 (2-3) 自動取引の実験場 (2-4) 社会経済全体のシミュレーション （３）人工市場による市場制度の設計事例：呼値の縮小 具体例：実際に制度・規制変更 実務・社会の動きも交えて （４）市場制度設計における適切な人工市場モデル 161
差し迫った課題を議論しなければならない実務家に浸透 規制当局(金融庁)、中央銀行(日本銀行)、証券取引所(東証，JPX) ＪＰＸワーキングペーパー 東京証券取引所の親会社、日本取引所グループ(JPX)が発行 41本中、実に12本が人工市場を用いた研究(2023年末現在) 呼値(後ほど紹介)、高速取引の影響、取引所の高速化、バッチオークション、 自己資本規制やVaRの影響など https://www.jpx.co.jp/corporate/research-study/working-paper/index.html その他にも、空売り規制、値幅制限、ダークプール、信用分散規制、水平株式保有、などが調べられている 金融市場の制度設計に使われ始めた人工市場, スパークスレポート https://www.sparx.co.jp/report/special/3215.html 予測や細かい再現を目的としていない これまでにない制度によってどういうことが”起こりえるか”を調べる “あり得る”メカニズムを見つけておく、”あり得る”副作用を見つけておく 私の専門分野 呼値の事例を後ほど紹介 162
その他に調べられたこと 空売り規制と値幅制限 空売りが完全に禁止された場合だけでなく、日本では2013年に廃止に なった空売りの際の価格規制も、市場を非効率なものとし、価格を引き上 げ、場合によってはバブルを誘発することが分かりました。 ダークプール ダークプールは市場を安定化させ、マーケットインパクトを低減させる効果を もつことが示唆示されました。しかし、ダークプールでの取引が多くなりすぎる と、つまり普及しすぎると市場の効率性が著しく低下することを示しました。 暴落後の反発やボラティリティクラスタリングのメカニズムの解明 ファンダメンタルが急激に悪化してその企業の株価が暴落した直後に、反 発がよくあることが知られています。これはオーバリアクションのためだと考えら れていることもありますが、人工市場で分析すると、投資家の予想株価にば らつきがあり、需給に偏りがあれば、この反発は起こることが分かりました。 高速取引の影響 高速取引の多くはマーケットメイク戦略と言われていますが、このマーケット メイク戦略が存在する取引所と存在しない取引所を人工市場内に用意し て取引量の変化を調べました。その結果、この戦略が存在する取引所の取 引が増えました。 取引所の高速化 どれくらいレイテンシーが短ければ良いのかを人工市場を用いて調べました。 その結果、平均的な注文の到着間隔よりもレイテンシーが短ければ、市場 効率性やボラティリティなどに影響を与えないことが分かりました。 バッチオークション ザラバとバッチオークションのどちらが売買量が多くなるか調べたところ、ザラバ の方が売買量が多くなりました。 忍耐強いアクティブ運用の市場効率化への貢献 忍耐強いアクティブ運用はまれに起こる、市場価格が企業価値に即した 適正な価格から大きく乖離して市場が不安定になり、市場がさらに非効率 になりそうなときのみに多く売買を行い、市場を効率化することに寄与してい ることが示されました。 水田孝信 「金融市場の制度設計に使われ始めた人工市場」, 2021, スパークス・アセット・マネジメント https://www.sparx.co.jp/report/special/3215.html 水平株式保有 パッシブ運用の増加が企業間競争と市場価格へ与える影響を分析しまし た。その結果、パッシブ運用の割合がさほど大きくなくても、競争を阻害する 可能性を示しました。 見せ玉 板上に平均的に存在する最良気配付近の指値注文数より多くの株数の 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りました。 新しい投資戦略が既存の投資戦略の利益を奪い取るか？ CTA・短期順張りともに、お互いがいたほうが戦略を実行するチャンスが多 くなり、むしろ利益を獲得していることが分かりました。 分散投資規制 何らかの理由でファンダメンタル価格が急上昇した銘柄を投資信託が上限 近くまで持っていた場合に、時価の上昇で上限を越さないように売る必要が 生じ、ファンダメンタル価格への収束を妨げる場合があることを示しました。 レバレッジドETF リバランス取引の市場価格へ与える影響を調べました。その結果、レバレッ ジドETFの規模が大きいほど影響は大きく、通常時のボラティリティよりも大 きいマーケットインパクトを与えるまでになると、市場価格への影響が特に顕 著になることが分かりました。 流動性への影響 取引量と板の厚さは関係のない指標であり、流動性の量を示す取引量、 質を示す板の厚さといった、流動性にもいくつか種類があることが示されまし た。 取引手数料のメイカー・テイカー制(リベート制) メイカーとなるマーケットメイク戦略が注文する指値の売り買い価格差が、 平均的な最良売り・買い気配の差より小さくできるくらいリベートを提供すれ ば、テイカーの執行コストは低下する一方、それ以下のリベートの場合はか えって執行コストは上昇してしまうことが分かりました。 163
金融市場の制度設計の重要性 人類 高度なお金と物の交換で協力しあう 他の動物を凌駕する文明 金融 市場 協力 ＆ 競争 よい物・よいサービス 規制の無い 自由な競争が良い？ 社会を破壊？ そうではなくて うまく設計されたときのみ、うまく機能する ジョン・マクミラン「市場を創る」, 2002年(原著) https://www.keio-up.co.jp/np/isbn/9784766427837/ 人類発展に 必要不可欠な道具 物理学者や生物学者が研究してきた システムと同じくらい複雑で高度 市場の設計をうまく行う ＝ 難しいけど社会発展に非常に重要 複雑系をなす、まさにシミュレーションを必要とする分野 神は細部に宿る 164
複雑系である金融市場の制度設計の難しさを示す例え話 森信親 金融庁長官(当時), 2015, “Rethinking Regulatory Reforms”, the 6th Annual Pan Asian Regulatory Summit, Hong Kong https://www.fsa.go.jp/common/conference/danwa/20151013/01.pdf 和訳の参照：永見野良蔵 金融国際審議官(当時), 2018, 日本金融学会 https://www.fsa.go.jp/common/conference/danwa/2018/20180526.pdf 森信親 金融庁長官(当時), 2015年、香港での講演より （金融規制を強化する欧米を批判） タイタニック号沈没の3年後*、乗客分の救命ボートを備えることを求める国際 海洋救命条約が成立して、米国は同基準を国内航路にも適用したが、五 大湖の遊覧船(イーストランド号*)が救命ボートの重みで沈没し、多くの*犠 牲者が出た 規制を作った当初、予想していなかった副作用 (当会の他の方の講演の模様) *水田修正 複雑系：予期せぬ結果を招く 140名の医者が患者を取り囲み、症状ごとに別の強い薬を注射したら、 患者はどうなるだろうか 金融安定理事会など国際機関に計140の部会が設けられ、それぞれ新規 制を設計したり、実施状況を監視したりしていることの比喩 部分最適でも全体にどういう影響を及ぼすか分からない 複雑系：部分の単純な足し算が全体とはならない https://commons.wikimedia.org/wiki/ File:Eastland_disaster_port_side.jpg#/ media/File:Eastland_disaster_port_side.jpg 神は細部に宿る 165
世界を救うかもしれない金融市場のうまい設計：レバレッジ規制 うまくない設計 レバレッジ10倍 (借金して元手の10倍の株を買う)の 個人投資家の取引 遠因・根本原因 1929年 世界大恐慌 遠因・根本原因 1939年 第二次世界大戦 神は細部に宿る もし禁止していたら？ ？？？？ もし恐慌がもっと弱かったら ？？？？？ 金融の失敗は実社会に大きな影響を与える 金融危機は、財政危機、実経済の危機などよりも深刻 金融市場のうまい設計こそが世界を救うという気持ちで研究してます 166
世界を救うかもしれない金融市場のうまい設計：値幅制限 うまくない設計? ヨーロッパのA銀行 信用不安が広がる 現実:値幅制限(ストップ安)なし よく分からないので とりあえず売却 30%超の下落 もし値幅制限(ストップ安)があれば 売りたくても売れない 10%程度の下落で済む 政府より救済の用意あるとアナウンス もう売っちゃったし 買い戻すほどでもない ならば売らないという判断 何事もなく信用不安が回復 株価下落による信用不安の拡散 神は細部に宿る 金融危機の始まりを防げるかもしれない 167
制度設計に用いる人工市場モデル エージェント ごく一般的な投資家を再現 特定環境のみに存在する特殊な投資家は再現しない ↑ 過去の特定事象の再現でなく、 規制・制度の一般的なメカニズムの理解が目的 一般的な投資家をモデル化 発注量 発注価格 エージェント 架空 取引所 価格決定 メカニズム 取引価格の 決定 調査対象の制度を 正確にモデル化 価格決定メカニズム 調査対象の制度・ルールを再現する必要がある 168
（１）他分野で活躍するエージェントシミュレーション （２）金融・経済におけるエージェントシミュレーション：人工市場 (2-1) 金融市場の基本性質の分析 (2-2) 金融市場の制度設計 本題 (2-3) 自動取引の実験場 (2-4) 社会経済全体のシミュレーション （３）人工市場による市場制度の設計事例：呼値の縮小 具体例：実際に制度・規制変更 実務・社会の動きも交えて （４）市場制度設計における適切な人工市場モデル 169
自動取引の実験場：AIが注文データを生成(Synthetic Data for AI in Finance) 世界的な銀行大手 JP Morganがスポンサーの国際学術会議 https://ai-finance.org/ ACM International Conference on AI in Finance(ICAIF) で多く発表されている 2022年からは”Synthetic Data for AI in Finance”というワークショップも https://sites.google.com/view/icaif-synthetic/home 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 アルゴリズム取引の戦略評価に使おうとしている 短い時間スケール(秒以下)なら注文状況(板の状況)に再現性ある ↑ 人間の手で行えないので機械化されている時間スケール ・ 高速取引：高速であることを生かして利益を狙う(高速化のため戦略は単純化) ・ 執行アルゴリズム取引：手の内を知られないように注文を自動的に小口に分ける Coletta 2021 https://doi.org/10.1145/3490354.3494411 現在の注文環境であり得そうな注文を生成する → 全く経験のない環境は不得 → 制度設計には向かない → 投資家種別ごとの相互作用によるメカニズムなどは分析できない 良くも悪くもエージェントに全く前提を置かず 大量のデータから現実的な注文を推定して生成 まだまだ実用化までは遠い感じも進歩は早い 170 Coletta 2022 https://doi.org/10.1145/3533271.3561753
執行アルゴリズム取引を実験する ICAIF 2023(2023年11月にニューヨークとオンラインで開催)で 発表された最新の研究 執行アルゴ(買い) 発動期間 成行注文の場合 青(LOBGAN)が提案手法 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 2022よりも格段に慎重で精密な検証をしている 恒久的に残るインパクトを再現 指値注文もインパクトがあることを示唆 とはいえ何が正解かわからない問題のため モデルの精度評価は簡単ではない その他にも、 同様な生成器 Li 2020, AAAI https://doi.org/10.1609/aaai.v34i01.5415 指値注文の場合 HFTのマーケットメイカー戦略に焦点をあてた生成器 Hirano 2021, https://doi.org/10.1007/978-3-030-69322-0_1 リターンを狙うアルゴを人工市場で実験 Nagy 2023, https://arxiv.org/abs/2301.08688 Micro,Macroの両方で学習 成富 2023, https://doi.org/10.11517/pjsai.JSAI2023.0_2P5GS1103 Coletta 2023 https://doi.org/10.48550/arXiv.2306.12806 171
人工知能が勝手に不正取引をしたら法的責任は？ (参考文献) 水田孝信 「人工知能が不公正取引を行ったら誰の責任か？」, 2020 スパークス・アセット・マネジメント https://www.sparx.co.jp/report/special/3071.html 人工知能は相場操縦という不正な取引を勝手に行うか？ ―遺伝的アルゴリズムが人工市場シミュレーションで学習する場合― ○ＡＩトレーダーが勝手に相場操縦をするかどうかをコンピュータシ ミュレーションで実験 → する場合があることが分かった ○ここでいう”勝手に”とは、ＡＩトレーダーの作成者・使用者が、相 場操縦するつもりがなかったとしても、ＡＩトレーダーが学習の中で、 相場操縦を最適な取引戦略として見つけ出し、実行すること ○現在の日本の法律では（アメリカでも同様）、ＡＩトレーダーの 作成者・使用者が相場操縦を意図していない場合、刑事責任を問 えない ○このままだと、「ＡＩが勝手にやった」と言い逃れする人が現れる ため、規制を強化する必要がある、と結論付けた 第４回金融資本市場のあり方に関する産官学フォーラム (2019/2/22)基調報告(3) http://www.pp.u-tokyo.ac.jp/CMPP/forum/2019-02-22/ 日本銀行金融研究所「アルゴリズム・AIの利用を巡る法律問題研究会」報告書 (2018/9/11) https://www.boj.or.jp/announcements/release_2018/rel180911a.htm/ 予稿 https://doi.org/10.11517/pjsai.JSAI2020.0_2L5GS1305 プレゼン資料 https://mizutatakanobu.com/202006.pdf プレゼン動画 https://youtu.be/tqaeTA2MfDg AIを使った自動取引は自律性を持ち得るのか、市場にどんな問題が発生し うるのか、現在の法体系の問題点などを論じた論文 Azzutti et al., Machine Learning, Market Manipulation and Collusion on Capital Markets: Why the 'Black Box' matters https://doi.org/10.2139/ssrn.3788872 172
（１）他分野で活躍するエージェントシミュレーション （２）金融・経済におけるエージェントシミュレーション：人工市場 (2-1) 金融市場の基本性質の分析 (2-2) 金融市場の制度設計 本題 (2-3) 自動取引の実験場 (2-4) 社会経済全体のシミュレーション （３）人工市場による市場制度の設計事例：呼値の縮小 具体例：実際に制度・規制変更 実務・社会の動きも交えて （４）市場制度設計における適切な人工市場モデル 173
社会経済全体をモデル化した人工市場、人工社会 投資家だけでなく、企業、銀行、中央銀行、政府、労働市場など、さまざまな市場をモデル化し、 結合することで、財政政策、金融政策、経済・金融危機などの分析を行うことを目標 大きな期待！！ NATUREやSCIENCEに，人工市場に期待をかける記事 Farmer and Foley (2009), Nature https://www.nature.com/articles/460685a これまでの経済学ではリーマンショックを分析・対応できなかったという批判 → 人工市場（エージェント・ベースド・モデル）ならできることある・期待 標準的な経済学を否定し、 人工市場を絶賛 Battiston et al. (2016), Science https://science.sciencemag.org/content/351/6275/818 ECB総裁講演でも取り上げられる 金融危機は人工市場でしか扱えない！ という勢いだが、ちょっと言いすぎ ヨーロッパ中央銀行(ECB)総裁だったトリシェが効率的市場仮説に基づく 金融理論が、金融危機中の政策決定に関してほとんど役に立たなったと述 リチャード・ブックステーバー 投資銀行や大手ヘッジファンドでリスク管理の責任 べ、エージェントシミュレーション(広い意味で人工市場)などが金融政策に 者を務めたのち、米国財務省を経て、現在はカリ 貢献することを期待していると述べた講演 フォルニア大学で教鞭をとっている。『市場リスク https://www.ecb.europa.eu/press/key/date/2010/html/sp101118.en.html ――暴落は必然か』の著者。 まだまだ研究者が少ない 経済理論の終焉 金融危機はこうして起こる, 2019/1 https://www.panrolling.com/books/wb/wb273.html 前述までの金融市場だけのモデルに比べ需要はさらに大きいものの、困難も大きい モデルの規模が大きくなり、実務家が試したいことを試せるようになるまでの道のりが、さらに長い 174
モデルの例 財政政策や金融政策、金融危機のメカニズムなどを 議論するため、社会経済全体をモデル化した人工 市場、人工社会、マクロ経済シミュレーターとも 例えば、この研究は、政府や企業、銀行などの各経 済主体の財務諸表の動きを簿記の仕訳から実装 これらの研究の発展により、金融政策がシミュレー ション結果を参考にしながら決められたり、国政選挙 では各政党が財政政策のシミュレーション結果を出 し合って論争をしたりする日は近いかもしれない 高島幸成、“ABMによるマクロ経済基本挙動再現の為のモデル構造に関する研究”、 博士論文、千葉工業大学大学院社会システム科学研究科、2013 http://id.nii.ac.jp/1196/00000044/ 最近の研究として、 Guerini et. al., “Unconventional monetary policies in an agent-based model with mark-to-market standards”, Review of Evolutionary Political Economy, 2022, https://doi.org/10.1007/s43253-022-00065-8 レビューとして、 Gallegati et. al., “Introduction to Agent-Based Economics”, Elsevier, 2017, https://doi.org/10.1016/C2015-0-00736-5 Ogibayashi, “Model Structure of Agent-Based Artificial Economic System Responsible for Reproducing Fundamental Economic Behavior of Goods Market”, Springer Nature, 2022, https://doi.org/10.1007/978-981-19-0937-5_4 175
（１）他分野で活躍するエージェントシミュレーション （２）金融・経済におけるエージェントシミュレーション：人工市場 (2-1) 金融市場の基本性質の分析 (2-2) 金融市場の制度設計 本題 (2-3) 自動取引の実験場 (2-4) 社会経済全体のシミュレーション （３）人工市場による市場制度の設計事例：呼値の縮小 具体例：実際に制度・規制変更 実務・社会の動きも交えて （４）市場制度設計における適切な人工市場モデル 176
伝統的取引所と私設取引所(PTS)の競争 証券会社などが独自運営する私設取引所(PTS)：ジャパンネクスト証券、Cboeジャパン、大阪デジタルエクスチェンジ → 東証の経営にとっても無視できない売買代金シェア ↑東証もPTSも売買代金に比例した手数料が主な売上 95 94 取引価格 93 92 91 呼値1円 呼値0.1円(10銭) 90 2011年ころからPTSがシェアを奪ってきた 15:00 時刻 (時:分) 14:00 13:00 11:00 マルチエージェントによる金融市場のシミュレーション, 2020/9 https://www.coronasha.co.jp/np/isbn/9784339028225/ 10:00 9:00 89 呼値が大きすぎると騰落率が比較的大きい ⇒ 投資家が困る ⇒ 他の取引所で取引 ⇒ 取引量シェアが移る PTSとの競争は“呼値”が重要な要素の１つ 177
呼値縮小に関する共同研究の推移 2011～2012 東京証券取引所の一部の方々が 人工知能学会ファイナンスにおける人工知能応用研究会(SIG-FIN)に出入り 2012/12 東京証券取引所と東京大学工学系研究科が共同研究開始を発表 2013/1/30 ＪＰＸ（日本取引所グループ）ワーキングペーパー Vol.2 (2013年1月30日) 人工市場シミュレーションを用いた取引市場間におけるティックサイズと取引量の関係性分析 https://www.jpx.co.jp/corporate/research-study/working-paper/index.html 共同研究第一弾として社長記者会見でも触れられる 2013/3/19 人工知能学会ファイナンスにおける人工知能応用研究会 東京証券取引所で開催、招待講演にて上記研究を発表 2013/3/29 JPX社長記者会見：呼値を細かくすることを発表 日経新聞朝刊の一面記事に 2014/7/22 一部の銘柄で10銭(0.1円)刻みの注文が可能に 2015/9/24 ごく一部の銘柄で呼値を拡大 178
価格決定メカニズム:現実と同じように複雑 正確なモデル化 調査対象の制度やルールが再現する必要がある continuous double auction（ザラバ） 売り 注文数量 10 30 50 130 ここに売り注文を入れると 即座に売買成立 注文 価格 103 102 101 100 99 98 97 96 買い 注文数量 ここに買い注文を入れると 即座に売買成立 150 70 対当する注文があると即座に売買成立 ⇔簡略なモデル 価格変化 ∝ （買い注文量ー売り注文量） 179
人工市場のモデル 呼値のみ異なる取引所Ａ、Ｂで どのように出来高シェアが移り変わるかを分析 取引所A 取引所B 成行注文(即座に成立する注文)： 有利な価格で 売買できる市場を選択 エージェント （投資家） 指値注文(即座には成立しない注文)： 各市場の過去の取引量シェアに 比例して配分 取引所Ａ： 初期の取引量シェア ９０％、呼値大きい 取引所Ｂ： 初期の取引量シェア １０％、呼値小さい 180
どちらの取引所に注文をだすか？ 取引所 Ａ 売り 価格 84 101 176 100 取引所 Ｂ 買い 売り 価格 1 99.2 2 99.1 買い 99 204 99.0 3 98 77 98.8 1 (1) 98円の買い: 取引量シェアに応じた確率でAかBを決める (2) 99.1円の買い： 取引所Ｂ ← 99.1円で即座に買えるため (3) 100円の買い： 取引所Ｂ ← 99.1円で即座に買えるため (2)、(3)によりシェアを伸ばすことが可能 181
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 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) j: エージェント番号(順番に注文) t: 時刻(ティック時刻) 予想リターン エージェントの パラメータ 𝑤𝑖,𝑗 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 𝑡 𝑟𝑒,𝑗 𝑃𝑓 1 𝑃𝑡−1 = 𝑤1,𝑗 log 𝑡−1 + 𝑤2,𝑗 log 𝑡−𝜏𝑗 + 𝑤3,𝑗 𝜀𝑗𝑡 σ𝑖 𝑤𝑖,𝑗 𝑃 𝑃 ノイズ ファンダメンタル 𝜀 𝑡𝑗 𝑃𝑓 ファンダメンタル価格 10000 =定数 𝑃𝑡 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 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 予想価格 𝑃𝑡 𝑒,𝑗 = 𝑃𝑡 exp( 𝑟 𝑡 𝑒,𝑗 ) 182
ノーマルエージェントのファンダメンタル戦略とテクニカル戦略 ファンダメンタル戦略 ファンダメンタル価格 ＞ 市場価格 ⇒ 上がると予想 ファンダメンタル価格 ＜ 市場価格 ⇒ 下がると予想 テクニカル戦略 過去リターン ＞ 0 ⇒ 上がると予想 過去リターン ＜ 0 ⇒ 下がると予想 テクニカル ファンダメンタル 価格 市場 価格 ファンダメンタル 183
売り買いの決定 注文価格の散らばせ方 価格 𝑃𝑡 𝑒,𝑗 + 𝑃𝑑 𝑃𝑡 注文価格 正規分布 𝑃𝑡 𝑜,𝑗 乱数で決定 売り（１単位） 𝑃𝑡 𝑒,𝑗 = 𝑃𝑡 exp( 𝑟 𝑡 𝑒,𝑗 ) 買い（１単位） 𝑃𝑡 𝑒,𝑗 − 𝑃𝑑 実際のザラバの注文状況を再現するため ⇒ 多くの待機している注文(指値注文)が存在 ↑高い価格で多くの売り注文、安い価格で多くの買い注文 184
呼値に差がある時：通常の絶対水準の場合と、小さすぎる場合 呼値に差があるとシェアが移り変わる 横軸は２年間 ⇔ 米国で起きた時間スケールに近い ただし、呼値の絶対水準が小さいと、呼値に差があってもシェアを奪えない 185
米国におけるニューヨーク証券取引所のシェア 清水葉子, 金融庁金融研究センター ディスカッションペーパー 2013年5月 https://www.fsa.go.jp/frtc/seika/discussion/2013/01.pdf ２年程度で支配的地位から陥落 186
５００営業日後の取引所Ａの取引量シェア 取引所B 呼値 ⊿PB 取引所Ａ 500営業日後シェア 取引所A 呼値⊿PA 0.0001% 0.0002% 0.0005% 0.001% 0.002% 0.005% 0.01% 0.02% 0.05% 0.1% 0.2% 0.0001% 90% 90% 91% 91% 92% 94% 97% 99% 100% 100% 100% 0.0002% 90% 90% 90% 91% 91% 94% 97% 99% 100% 100% 100% 0.0005% 89% 90% 91% 91% 92% 94% 96% 99% 100% 100% 100% 0.001% 89% 89% 90% 90% 92% 94% 97% 99% 100% 100% 100% 0.002% 87% 88% 89% 89% 91% 93% 97% 99% 100% 100% 100% 0.005% 84% 85% 85% 84% 87% 92% 96% 99% 100% 100% 100% 0.01% 75% 76% 76% 77% 78% 83% 92% 98% 100% 100% 100% 0.02% 53% 52% 53% 54% 54% 59% 70% 93% 100% 100% 100% 0.05% 5% 5% 4% 5% 5% 5% 6% 23% 93% 100% 100% 0.1% 0% 0% 0% 0% 0% 0% 0% 0% 0% 94% 100% 0.2% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 96% 取引場間シェアが 移り変わらない条件 t = 0.05 % ⊿PB>⊿PA or t > ⊿PA 騰落率の標準偏差：ボラティリティ キーパラメーター 187
実際のデータ ⊿PA，σt とPTSの出来高シェアの関係 2012年の実証データ 9% 0.01% 12% ⊿P 10.00% 0.10% 1.00% 6% 0.10% 1.00% 0.05% 3% PTS 出来高シェア 0% 10.00% 0.01% σt 100.00% σt (左軸) σt=0.05% PTS出来高シェア (右軸) 呼値により価格形成が阻害されている領域の発見 ↑取引所制定の制度で価格形成を規定しているという問題発見 188 価格形成の阻害と出来高シェアの関係性を発見 188
t < ⊿PA 取引場A で取引でき ない領域 取引 価格 取引所A 呼値 時間 取引所Aの出番がない → 取引所Ｂの高い約定率 ⇒ 取引所Ｂがシェアを奪う t > ⊿PA 取引所B の必要性 が薄い 取引 価格 ⇒ シェアが動かない 取引所A 呼値 時間 現実の金融市場制度への示唆 ・ 呼値が大きいままだとPTSに売買代金シェアを奪われる、その期間は２年程度 ・ あまりにも小さい呼値の競争は意味がない可能性 ・ 呼値が大きすぎると価格の変動幅が大きくなる可能性 ↑ 取引所の制度で価格の変動幅に影響を与えるべきでない ・ 大きすぎる、小さすぎる、の具体的な水準(数値)を示唆 ・ 取引所の制度設計に参考にされた(ＪＰＸワーキングペーパーとしても掲載) 189
2014年7月22日と18日（前営業日） 1円刻み 10銭刻み 190
その後の研究の進展 さらに単純化したモデルにより解析的な分析がなされ、 整合的な結果が得られた ← 呼値の比ではなく差がシェアの 移る速さを決める ← 呼値の過当競争は意味がない • Nagumo, S. et. al.(2016), The effect of tick size on trading volume share in three competing stock markets, Journal of Physics: Conference Series, vol. 750,no.1. https://doi.org/10.1088/1742-6596/750/1/012019 • Nagumo, S. et. al.(2017), The Effect of Tick Size on Trading Volume Share in Two Competing Stock Markets, Journal of the Physical Society of Japan, vol. 86,no.1. https://doi.org/10.7566/JPSJ.86.014801 株式の私設取引、売買シェア低下東証の刻み値縮小が響く 差別化難しく投資家離れ 2015/2/27 日本経済新聞 https://www.nikkei.com/article/DGKKZO83727450W5A220C1DTA000/ その後、社会はどうなったか、、、、 191
呼値が大きすぎる・小さすぎる ティック・サイズ 0.5% ティック・サイズ 0.01% 7.4% 0.07% 株価 最小 最大 0.5% ティックサイズ 呼値の刻み 最小 最大 1 1,000 0.1 0.01% 10.00% 1,001 5,000 0.5 0.01% 0.05% 5,001 10,000 1 0.01% 0.02% 10,001 50,000 5 0.01% 0.05% 50,001 100,000 10 0.01% 0.02% 100,001 500,000 50 0.01% 0.05% 500,001 1,000,000 100 0.01% 0.02% 1,000,001 5,000,000 500 0.01% 0.05% 5,000,001 10,000,000 1,000 0.01% 0.02% 10,000,001 50,000,000 5,000 0.01% 0.05% 50,000,001 0.3% 10,000 0.02% 一部の価格帯で戻すことに 192
米国：呼値拡大の議論があったが 新規上場企業が少ない原因のひとつ：呼値が小さすぎる？ 実験してみることに、、、 拡大しないほうが良かった https://www.jsri.or.jp/publish/report/pdf/1712/1712_02.pdf 193
（１）他分野で活躍するエージェントシミュレーション （２）金融・経済におけるエージェントシミュレーション：人工市場 (1-1) 金融市場の基本性質の分析 (1-2) 金融市場の制度設計 本題 (1-3) 自動取引の実験場 (1-4) 社会経済全体のシミュレーション （３）人工市場による市場制度の設計事例：呼値の縮小 具体例：実際に制度・規制変更 実務・社会の動きも交えて （４）市場制度設計における適切な人工市場モデル 194
複雑系を扱える強み 金融市場は非常に複雑系のため、ミクロプロセス(投資家の行動)の 単純な足し算がマクロ現象(価格時系列)にならない 数理モデル 人工市場 実証研究 マクロ現象 マクロ現象 価格時系列 シミュレー ション フィード バック 積み上げの結果 相互作用を 直接扱う 相互作用を扱える！ 相互作用を分析できる！ 単純な足し算には なっていない 別々に 扱う ミクロプロセス ミクロプロセス エージェントの振る舞い 価格時系列 精密な モデリング シンプルモデル 投資家の振る舞い 精密な モデリング マクロとミクロの相互作用があるため、 マクロ現象とミクロプロセスをそれぞれ調べても 複雑系を理解できない。 195
人工市場の得意とする範囲 過去起きた現象 これから起きる現象 実証分析 人工市場 これから起きる現象を取り扱えるのが長所だが、 これからも起こらない現象を取り扱ってしまう可能性があるのが短所 196
人工市場の得意とすること： ポジティブ・フィードバック（複雑系）1/2 今の価格より 高く買ってくれる人が 多いに違いない 予想に 確信を持つ 予想が実現 Positive Feedback 予言の自己成就（実現） 自己強化プロセス 株を買う 株価上昇 197
人工市場の得意とすること： ポジティブ・フィードバック（複雑系）2/2 2008年9月以降の金融危機の構図 実体経済・雇用 悪化 GSE危機 ファニーメイ+フレディマック→更正手続 延滞率の上昇 プライム危機 ネガティブ・エク イティ発生 MBS危機 WaMu→JPモルガン ワコビア→ウェルズ・ファーゴ その他の商業銀行 商業銀行危機 住宅価格下落 カントリーワイド→BAC サブプライム危機 =ABS-CDO危機 スパイラル I 投資銀行の危機 B/S調整 (ディレバレッジ) メリルリンチ→BAC ゴールドマン・サックス→銀行持株会社 モルガン・スタンレー→銀行持株会社 →MUFJの出資受入 証券価格の 下落 評価損の発生 流動性危機 I =ABCP(SIV) 危機 保険危機 =CDS危機 流動性危機 II =レポ・貸株危機 ベア→JPモルガン モノライン危機 カウンターパーティ リスクの上昇 リーマン→更正手続 →野村（欧州・中東・アジア太平洋） →バークレイズ（北米） AIG→政府管理下 空売りヘッジ の急増 決済システムへの負担増 スパイラル II (出所) 各種資料より野村資本市場研究所作成 野村資本市場研究所：サブプライム問題に端を発する金融危機の全貌, 資本市場クォータリー秋号付属資料 (2008) 198
人工市場の得意とすること： ミクロ・マクロ相互作用 未知の環境を実験 マクロ現象 （価格変動） ミクロ・マクロ 相互作用の メカニズム解明 ミクロ現象 （投資家行動） 人工市場 実証研究 金融工学 マクロモデル etc モデルの 妥当性 価格変動 （結果）の 妥当性 エージェント モデルの 妥当性 行動経済学 実験経済学 経済脳科学 etc 199
調査対象に応じたモデルに必要な要素の特定 ⇒ 調査内容によって良いモデルは異なる （不要な要素の実装は知識獲得の妨げ） 実際に議論されている規制・ルールを分析・設計 規制・制度の議論に実務的に使える 知識の獲得を目指す 過去の特定事象の再現は目的でない コロンブスの たまご的な 気づき 定量的に正確な議論は目指してない 実際の議論で参考にされることを目指す 他の手法と協力して、「市場をうまく設計する」という目的を果たす 200
Gilber(2008)によるエージェント・モデルに必要な複雑さの分類 Abstract Model 複雑な社会現象の原理的な理解を目指す (例)シェリングモデル、ここで紹介した人工市場 → シンプルなモデル、だが、メカニズムの理解、知識獲得 KISS(Keep It Simple Stupid)の原理(Axelrod, 1997) Facsimile Model 特定の状況に限定された特定の現象を限りなく忠実に表現 (例)ある特定のビルの避難経路の検討、アルゴリズムの実験場としての人工市場？ → 複雑で予測精度がある、具体的な施策検討できる、 普遍性はなく、メカニズム理解や知識獲得は不得意 Middle Range Model 上記２つの中間 高橋慎吾, 「社会シミュレーションと数理社会学の連携」,数理社会学事典, 2022 https://www.maruzen-publishing.co.jp/item/?book_no=304405 Gilbert, 2008 https://doi.org/10.4135/9781412983259 201
シミュレーションモデルの役割 右の本は、“モデル”に関わっている すべての人に読んでほしいと思う。 そもそも“モデル”とは何なのか どういう役割があるのかを考察 この理解が不足しているため、 不毛な議論が陥ることがしばしば 特に経済学の世界で、 「シミュレーションモデルと 数理モデルの役割の違い」 に関する理解の欠如が顕著 シミュレーションモデルがどう役に 立つのかほとんど理解されてない 科学とモデル シミュレーションの哲学 入門, 2017年 https://www.unp.or.jp/ISBN/ISBN978-4-8158-0872-3.html 202
どちらの地図が分かりやすいか？ (左)品川シーズンテラス公式ホームページ( https://shinagawa-st.jp/access/train.html )より， (右)Google mapより(画像 © 2020, CNES/Airbus, Digital Earth Technology, Maxar Technologies, Planet.com, The Geoinformation Group, 地図データ © 2020 Google) 現実とは大きく異なるが、理解しやすい 迷子にならない 理解したいことの本質以外は削り落としてモデル化 理解したいことが異なれば削り落とす部分も異なる 現実に近いが分かりにくい 迷子になる マイケル・ワイスバーグ「科学とモデル シミュレーションの哲学入門」, 2017年 http://www.unp.or.jp/ISBN/ISBN978-4-8158-0872-3.html 203
現実の再現が目的ではない：細胞の教科書モデル 中学理科まとめ https://rikamato.com/2017/11/28/2_20/ 細胞の本質（核、細胞質、細胞膜等で構成）を 学ぶためのモデル。この細胞は実際には１つも無い いろいろな種類の細胞モデル 上のモデルを見た後なら、違いを理解しやすい （例：核の大きさ、位置で分類できる） 解剖生理をおもしろく学ぶ, 2015年 https://www.kango-roo.com/sn/k/view/1554 看護師試験レベル←もっと深く知る必要が ある人向けモデル。中学生には混乱招く 細胞膜詳細←上のモデルにこれを書かれるとか えって分かりにくい 204
モデルの役割 投資家 Aさん 投資家 Bさん 投資家 Cさん 注目している現象に対して、 本質的な性質（行動・手続き）のみ継承 注目している現象が違えば、 本質的な性質も異なり モデルも異なる 投資家 モデル 投資家を理解するための 世界に一人もいない投資家 例：ファッションモデル：服を理解 モデルルーム：部屋を理解 本質的な性質（行動・手続き）が、注目している現象に対して、 どのような役割を果たし、どのようにマクロに影響を与えているか理解する 投資家Aさん、Bさん、、、の再現が目的ではない、 投資家の本質を理解することが目的 注目している現象ごとに良いモデルは異なる 205
簡単な具体例：初期のエージェントシミュレーション 学生(#)と教授(@)が参加する立食パーティー # # # # @ @ @ # # @ # @ # # @ @ @ # # @ # @ @ # @ @ # # # @ # @ # @ @ # @ @ # # @ @ @ @ # @ @ @ @ @ @ @ @ # @ @ @ @ # # # @ @ @ # # # # @ @ # 分離されてしまう 「自分があまりにも少数派になりたくない」だけで 分離が起きる。積極的に「嫌い」なわけじゃない @ @ @ # # # @ @ @ @ @ # @ # # 解説記事「多角形のたとえ話」 https://ncase.me/polygons-ja/ ルール： # # @ # # ・ 自分の周り(8マス)に自分の同類が1/3より # # # @ @ @ # # 多ければよい # # @ @ @ # ・ 他方に囲まれた場合 どこかに移動 # @ @ @ @ @ 繰り返していくと、、、 修正ルール： ＃:要求同類の人数１人増 @:１人減、繰り返していくと、、、 # # # # # # # # # # # # @ # @ @ @ @ # # @ # @ @ トーマス・シェリング「ミクロ動機とマクロ行動」, 2016年 http://www.keisoshobo.co.jp/book/b251669.html この理由が分かることがシミュレーションの目的 現実の会場の最終配置を予測することは目的でない 配膳テーブルの位置とか、個々人の食べる量の違いとか、准教授は？とか、現実にこんな会場 ないとか、こんな単純な人いないとか、「この調査目的において」はどうでもよい。 むしろ「理由の理解」には邪魔になるだけ。 #の場所が狭くなる 「知りたいこと」に応じてモデルを簡略化・複雑化することが大事 206
ミクロプロセス：投資行動、取引所ルール マクロ現象：価格形成 の関係が知りたい 数理モデル マクロモデル 投資家 モデル 投資行動 Ａ国 株式市場 Ａ国 債券市場 Ｂ国 株式市場 本質的な性質のみ再現 ここのみ扱える （アルゴリズム） 取引所 モデル ルール 変更 価格形成 (シミュレーション結果) 注文突合せ （アルゴリズムの集積） 本質的な性質のみ継承 シミュレーションモデルの役割 投資家 Aさん 投資家 Bさん 投資家 Cさん これらの 関係が 知りたい！ 207
最後に：大きな期待がある一方、研究者が少ない、この分野 一体、何が難しいのか？ 金融・経済分野の他手法の研究者からの理解を得られにくい ・ 経済学やファイナンスの人たちの中には，シミュレーションというだけで受け入れない人がいるのは事実 ・ 経済学ではかつて，ゲーム理論ですら受け入れるのに相当な時間がかかったらしく， 同分野の文化的な側面もあるかもしれない 金融・経済分野以外のエージェントシミュレーションの研究者たちからも理解を得られにくい傾向 ・ 投資家は常に他の投資家を出し抜こうと考えており，モデル化に使える安定した行動パターンがない 例えば，自動車エージェントの安全運転のような，こうすればみんなハッピーになるという行動様式が存在しない ・ そのため，モデルを複雑にしても追加で分かることはほどんどなく，きわめて包括的でシンプルな行動だけを 含んだエージェントモデルにならざるを得ない． ・ そのようなモデルでも重要なメカニズムの知見が得られるのであるが， 金融・経済分野以外のエージェントシミュレーション研究者たちからは，モデルは単純すぎるように見え， 予測もできないことに物足りなさを感じるようだ． どこの学会に属したらいいか分からない：よりどころがない ・ 金融市場の制度設計の場合は当局や取引所関係者から多くの研究ニーズが寄せられていて， 数少ない理解者となっている ← 私はここ ・ ごく短い時間スケール(秒以下)の再現性を利用した分野は最近開拓されてきており， 学術的にも実務的にも興味を持たれ始めている ・ 金融・財政政策を分析する人工市場は，実務家が求めている結果を出すまでにモデル自体の議論を まだ多くする必要がある段階であり，道のりが長すぎてよりどころがない． 少しずつ地道な普及活動をするしかない 208
まとめ(再掲) 2008年の金融危機以降、伝統的な経済学では複雑系であったこの金融危機を分析できてい ないと批判し、金融・経済分野におけるエージェントシミュレーションである人工市場や人工経済な どの複雑系科学をもっと活用すべきだという主張があらわれた。人工市場をもっと活用し伝統的な 経済学の弱点を補完すべきであることは確かだと思われる。 今回は、人工市場研究を簡単にレビューしたあと、人工市場による市場制度の設計の研究を 呼値変更という実際に行われた制度変更の事例を交えながら紹介した。金融市場は人類の発 展に必要不可欠な道具である。McMillan[2002]が述べたように、「物理学者や生物学者が研 究してきたシステムと同じくらい複雑で高度なもの」であるうえに、「うまく設計されたときのみ、うまく 機能する」、まさに複雑系である。人工市場は、これまでにない制度によってどういうことが”起こりえ るか”を調べ“あり得る”メカニズムを見つけておく、”あり得る”副作用を見つけておく、という貢献がで きる。特に、喫緊の課題として規制やルールを議論している実務家からの注目が高い。 人工市場の貢献はまだ始まったばかりで、研究者が全然足りていない。この分野は社会への重 要な貢献ができることは間違いないので、啓蒙活動を続けていきたい。今後、もっと多くの金融市 場の規制やルールが人工市場や人工社会で扱えるようになり、うまく金融市場を設計することに貢 献し、社会の発展につながっていけばと願っています。 209