![mizutata[at]gmail.com
@takanobu_mizuta (twitter)
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/2022ddmmsd.pdf
https://mizutatakanobu.com
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
Chapter 13
Artificial Intelligence (AI) for Financial Markets: A Good AI for Designing
Better Financial Markets and a Bad AI for Manipulating Markets
Chapter 13
Artificial Intelligence (AI) for Financial Markets: A Good AI for Designing
Better Financial Markets and a Bad AI for Manipulating Markets
1
Digital designs for money, markets, and social designs
Digital designs for money, markets, and social designs
2022年9月10-11日
https://sites.google.com/view/ddmmsd2022/
ワークショップ:
https://doi.org/10.1007/978-981-19-0937-5
書籍:](https://image.slidesharecdn.com/2022ddmmsd-220911064707-b3219420/85/Chapter-13-Artificial-Intelligence-AI-for-Financial-Markets-A-Good-AI-for-Designing-Better-Financial-Markets-and-a-Bad-AI-for-Manipulating-Markets-1-320.jpg)
![遺伝子
遺伝子
遺伝子
遺伝子
・
・
・
・
買 売 売 ・・・・・ 買
買 売 売 ・・・・・
売 売 売 売 ・・・・・ 買
買 売 売 売 ・・・・・ 買
800個の注文(買い，売り，何もしない)
10000個
の遺伝子
遺伝的アルゴリズム
利益の高い上位４00個
そのまま残す
65%の確率で,
上位400個からランダムに
選んだ2つを２点交叉した
ものに置き換える
その後、各取引に対して
20%の確率でランダムに
書き換える(突然変異)
1500世代にわたって世代交代を行い
評価の高い遺伝子(利益の高い取引行動)を見つける
・
・
・
・
まず、利益が高い順に並べる
遺伝的アルゴリズムは多くの研究で用いられている普通の手法 [Goldberg 1989]
利益下位](https://image.slidesharecdn.com/2022ddmmsd-220911064707-b3219420/85/Chapter-13-Artificial-Intelligence-AI-for-Financial-Markets-A-Good-AI-for-Designing-Better-Financial-Markets-and-a-Bad-AI-for-Manipulating-Markets-37-320.jpg)
Chapter 13 Artificial Intelligence (AI) for Financial Markets: A Good AI for Designing Better Financial Markets and a Bad AI for Manipulating Markets
- 1. mizutata[at]gmail.com @takanobu_mizuta (twitter) 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/2022ddmmsd.pdf https://mizutatakanobu.com 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 Chapter 13 Artificial Intelligence (AI) for Financial Markets: A Good AI for Designing Better Financial Markets and a Bad AI for Manipulating Markets Chapter 13 Artificial Intelligence (AI) for Financial Markets: A Good AI for Designing Better Financial Markets and a Bad AI for Manipulating Markets 1 Digital designs for money, markets, and social designs Digital designs for money, markets, and social designs 2022年9月10-11日 https://sites.google.com/view/ddmmsd2022/ ワークショップ: https://doi.org/10.1007/978-981-19-0937-5 書籍:
- 2. https://www.sparx.co.jp/report/special/ 2 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 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 amazon: https://www.amazon.co.jp/dp/B092XBKFKN/ 学術研究: 人工市場による市場制度の設計 講義資料 人工市場による市場制度の設計 資料: https://mizutatakanobu.com/2022r.pdf YouTube: https://youtu.be/tq9AsMrig9s スパークス・アセット・マネジメント(資産運用会社)所属 2014年働きながら博士課程 (東京大学 和泉潔 研究室)で博士取得 金融市場全般の調査、株式市場やポートフォリの定量的分析(のためのシステム整備)、学術研究も 2016年度より 人工知能学会 金融情報学研究会(SIG-FIN)幹事 → 2022年度より 主査 自己紹介 https://sigfin.org/ 左のレポート「金融市場の制度設計に使われ始めた人工市場」 https://www.sparx.co.jp/report/special/3215.html 例えば、、 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“ 2019/4/3 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～ 2018/5/21 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？ 2018/2/16 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 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-
- 5. JPXワーキングペーパー Vol.2 呼値の調査を紹介 東京大学(当時社会人博士で在籍)と東京証券取引所の共同研究 JPXワーキングペーパー Vol.2 呼値の調査を紹介 東京大学(当時社会人博士で在籍)と東京証券取引所の共同研究 人工市場による制度設計は、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 東京証券取引所の親会社、日本取引所グループ(JPX)が発行 38本中、実に12本が人工市場を用いた研究(2022年3月末現在) 呼値(ここで紹介)、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 ＪＰＸワーキングペーパー 規制当局(金融庁)、中央銀行(日本銀行)、証券取引所(東証，JPX) 規制当局(金融庁)、中央銀行(日本銀行)、証券取引所(東証，JPX) 5 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 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 予測や細かい再現を目的としていない https://www.jpx.co.jp/corporate/research-study/working-paper/index.html
- 8. PTSとの競争は“呼値”が重要な要素の１つ 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（SBI系）、Chi-X Japan（独立系） → 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 伝統的取引所と私設取引所(PTS)の競争 8 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 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/ 2011年ころからPTSがシェアを奪ってきた 89 90 91 92 93 94 95 9:00 10:00 11:00 13:00 14:00 15:00 取引価格 時刻 (時:分) 呼値1円 呼値0.1円(10銭)
- 9. 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 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 呼値縮小に関する共同研究の推移 https://www.jpx.co.jp/corporate/research-study/working-paper/index.html 9
- 10. continuous double auction（ザラ場） 価格決定メカニズム:現実と同じように複雑 調査対象の制度やルールが再現する必要がある 正確なモデル化 価格変化 ∝ （買い注文量ー売り注文量） ⇔簡略なモデル 10 売り 注文 買い 注文数量 価格 注文数量 10 103 30 102 101 50 100 130 99 98 150 97 96 70 対当する注文があると即座に売買成立 ここに買い注文を入れると 即座に売買成立 ここに売り注文を入れると 即座に売買成立
- 11. エージェント （投資家） 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 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 取引所B 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： 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 人工市場のモデル 11
- 12. どちらの取引所に注文をだすか？ 取引所 Ａ 売り 価格 買い 84 101 176 100 99 204 98 77 取引所 Ｂ 売り 価格 買い 1 99.2 2 99.1 99.0 3 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 12
- 13. ファンダメンタル 予想リターン 予想価格 現在の取引価格 ファンダメンタル価格 正規乱数 平均0 σ=3% テクニカル(順張り) ノイズ 一様乱数で決定 途中で変わらない エージェントの パラメータ 10000 =定数 j: エージェント番号(順番に注文) t: 時刻(ティック時刻) 𝑟𝑒,𝑗 𝑡 = 1 σ𝑖 𝑤𝑖,𝑗 𝑤1,𝑗 log 𝑃𝑓 𝑃𝑡−1 + 𝑤2,𝑗 log 𝑃𝑡−1 𝑃𝑡−𝜏𝑗 + 𝑤3,𝑗𝜀𝑗 𝑡 𝑃𝑡 𝑃𝑓 𝑤𝑖,𝑗 𝜏𝑗 𝑤𝑖,𝑗 𝜏𝑗 𝜀𝑡 𝑗 𝑃𝑡 𝑒,𝑗 = 𝑃𝑡 exp( 𝑟𝑡 𝑒,𝑗) 13 1000体 i=1,3: 0～1 i=2: 0～10 0～1000 エージェント 取引価格帯を定めるために 便宜上加えた項 統計的性質を再現するために 最小限必要な項 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
- 14. 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 ファンダメンタル 価格 市場 価格 14 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
- 17. ５００営業日後の取引所Ａの取引量シェア 取引所Ａ 500営業日後シェア 取引所B 呼値 ⊿PB 0.0001% 0.0002% 0.0005% 0.001% 0.002% 0.005% 0.01% 0.02% 0.05% 0.1% 0.2% 取引所A 呼値⊿PA 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% > ⊿PA t or 取引場間シェアが 移り変わらない条件 ⊿PB>⊿PA % 05 . 0 = t 騰落率の標準偏差：ボラティリティ キーパラメーター キーパラメーター 17
- 18. 18 ⊿PA，σt とPTSの出来高シェアの関係 2012年の実証データ 0.01% 0.10% 1.00% 10.00% 100.00% 0.01% 0.10% 1.00% 10.00% ⊿P σt 0% 3% 6% 9% 12% PTS 出来高シェア σt (左軸) σt=0.05% PTS出来高シェア (右軸) 0.05% 実際のデータ 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 価格形成の阻害と出来高シェアの関係性を発見 18
- 19. 時間 取引場A で取引でき ない領域 取引 価格 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 時間 取引 価格 取引所B の必要性 が薄い ⇒ シェアが動かない 取引所A 呼値 取引所A 呼値 < ⊿PA t > ⊿PA t 19 ・ 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) 現実の金融市場制度への示唆
- 21. その後、社会はどうなったか、、、、 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 その後の研究の進展 • 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 21 • 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 https://www.nikkei.com/article/DGKKZO83727450W5A220C1DTA000/ 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
- 22. 呼値が大きすぎる・小さすぎる ティック・サイズ 0.01% ティック・サイズ 0.5% 0.3% 7.4% 0.5% 0.07% 株価 呼値の刻み ティックサイズ 最小 最大 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 10,000 0.02% 22 一部の価格帯で戻すことに
- 25. データがないところからシミュレーションをスタートできない 実データの中に人工データを少し混ぜるイメージ → 全く経験のない環境は不得意 制度設計には向かない 自動取引の実験場：短い時間スケールの変化は再現性がある 世界的な銀行大手 JP Morganがスポンサーの国際学術会議 ACM International Conference on AI in Finance で多く発表されている https://ai-finance.org/ 25 GANを用いた実データの学習を行い、 注文データが与えられたら次の注文を １つ返す生成器を作る インサンプルの実データの中に "もしこの注文があれば"をシミュレートする。 Coletta 2021 https://doi.org/10.1145/3490354.3494411 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 良くも悪くもエージェントに前提を置かず 大量のデータからGANで注文生成器を作る
- 26. 26 Coletta 2021 https://doi.org/10.1145/3490354.3494411 買い注文を出している間に元の株価水準に戻っている 急に戻るのは変な感じがする → 学習が過剰ではなのでは？ (元の下落後の水準に追随しすぎ) (下落せず横ばいでも不思議はない) 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 とはいえ適度な学習量をどう計るのか分からない とはいえ適度な学習量をどう計るのか分からない 実注文データ群の中に人工注文データを入れたらどうなるか 同様な生成器 Li 2020, AAAI https://doi.org/10.1609/aaai.v34i01.5415 その他にも、 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 Hirano 2022, https://doi.org/10.48550/arXiv.2204.13338
- 28. 28 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/ 人工知能が勝手に不正取引をしたら法的責任は？ 人工知能が勝手に不正取引をしたら法的責任は？ 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/ (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 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
- 29. 29 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 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 人工知能学会全国大会で賞もいただきました 進化経済学会でも紹介した研究ですが もう一度簡単に紹介します 進化経済学会でも紹介した研究ですが もう一度簡単に紹介します
- 34. １つの遺伝子：全800個のAIエージェントの取引行動 １つの人工市場：１つの遺伝子に対して１つの人工市場（１つの仮想世界） 1体のAIエージェント(遺伝子通りの取引を行う)とノーマルエージェント ノーマルエージェント：全人工市場で全く同じパラメータ:AIエージェントの売買が同じであれば同じ売買となる 各遺伝子の評価：各人工市場内のAIエージェントの利益:どういう売買が一番儲かるか？を調べる 遺伝的アルゴリズム：10000個の遺伝子を1500世代にわたって世代交代を行い 評価の高い遺伝子(利益の高い取引行動)を見つける １つの遺伝子：全800個のAIエージェントの取引行動 １つの人工市場：１つの遺伝子に対して１つの人工市場（１つの仮想世界） 1体のAIエージェント(遺伝子通りの取引を行う)とノーマルエージェント ノーマルエージェント：全人工市場で全く同じパラメータ:AIエージェントの売買が同じであれば同じ売買となる 各遺伝子の評価：各人工市場内のAIエージェントの利益:どういう売買が一番儲かるか？を調べる 遺伝的アルゴリズム：10000個の遺伝子を1500世代にわたって世代交代を行い 評価の高い遺伝子(利益の高い取引行動)を見つける ノーマル エージェント 注文 取引所 人工市場 シミュレーション 遺伝子 通りの注文 遺伝子 遺伝的 アルゴリズム 全注文内容 利益=評価 AI エージェント 遺伝子 人工市場 全注文内容 利益=評価 遺伝子 人工市場 全注文内容 利益=評価 遺伝子 人工市場 全注文内容 利益=評価 ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ 買 売 売 ・・・・・ 買 買 売 売 ・・・・・ 売 売 売 売 ・・・・・ 買 買 買 買 ・・・・・ 売 800個の注文(買い，売り，何もしない) 10000個 の遺伝子 この世代に交叉，突然変異を施し次世代にする これを1500世代行う ・ ・ ・ ・ ・ モデル全体像 ノーマルエージェントは 全く同じパラメータ ノーマルエージェントは 全く同じパラメータ
- 35. ノーマル エージェント 注文 取引所 人工市場 シミュレーション 遺伝子 通りの注文 AI エージェント 人工市場 取引所 continuous double auction（ザラバ） continuous double auction（ザラバ） 売り 注文 買い 注文数量 価格 注文数量 10 103 30 102 101 50 100 130 99 98 150 97 96 70 ザラバ 対当する注文があると即座に売買成立 ここに買い注文を入れると 即座に売買成立 ここに売り注文を入れると 即座に売買成立
- 36. 当然、AIエージェントの売買によって市場価格の時系列は変化する (ノーマルエージェントはまったく同じでも) ノーマル エージェント 注文 取引所 遺伝子 通りの注文 遺伝子 全注文内容 利益=評価 AI エージェント 買 売 売 ・・・・・ 買 800個の注文(買い，売り，何もしない) AIエージェント 「買い」，「売り」は即座に売買が 成立する価格で注文 （10ティック時刻ごと,数量は1株) 「買い」，「売り」は即座に売買が 成立する価格で注文 （10ティック時刻ごと,数量は1株) 「自分の取引が市場価格に与える影響を継続的に学習・分析」できる (バックテストとは異なる) いかなる投資戦略も意図しないことが明確なモデルであることが重要 あえて具体的な売買戦略(順張り、逆張りなど)のモデル化を行わず， ある人工市場環境で最適なすべての取引を直接探し出すモデルとした 本研究の目的はあくまでも相場操縦という戦略を人工知能が学習時点で見つけ出せるかどうかに 注目しており，実際にモデルを稼働させることは目的としない ⇒ 具体的な戦略によってはさらに容易に相場操縦を見つけられる 人工市場 シミュレーション
- 37. 遺伝子 遺伝子 遺伝子 遺伝子 ・ ・ ・ ・ 買 売 売 ・・・・・ 買 買 売 売 ・・・・・ 売 売 売 売 ・・・・・ 買 買 売 売 売 ・・・・・ 買 800個の注文(買い，売り，何もしない) 10000個 の遺伝子 遺伝的アルゴリズム 利益の高い上位４00個 そのまま残す 65%の確率で, 上位400個からランダムに 選んだ2つを２点交叉した ものに置き換える その後、各取引に対して 20%の確率でランダムに 書き換える(突然変異) 1500世代にわたって世代交代を行い 評価の高い遺伝子(利益の高い取引行動)を見つける ・ ・ ・ ・ まず、利益が高い順に並べる 遺伝的アルゴリズムは多くの研究で用いられている普通の手法 [Goldberg 1989] 利益下位
- 40. 市場価格とAIエージェントの売買数量 (20) 0 20 40 60 9800 10000 10200 10400 10600 0 1000 2000 3000 4000 5000 6000 7000 売買数量 価格 ティック時刻 AIエージェントの売買数量(200ティック時間ごと集計, 右軸) 市場価格(仲値, 左軸) ファンダメンタル価格(左軸) AIエージェントのこれらの取引行為は相場操縦に他ならない 買いを減らすも上昇継続 ← ノーマルエージェントのテクニカル戦略 が先の上昇のせいで上昇を予想してしまった 買いを減らすも上昇継続 ← ノーマルエージェントのテクニカル戦略 が先の上昇のせいで上昇を予想してしまった 大量の買い → 上昇させる 大量の買い → 上昇させる 売り ← 先の上昇のおかげで 買った価格より高く売れる 売り ← 先の上昇のおかげで 買った価格より高く売れる
- 41. バックテストの場合 通常のファンダメンタル戦略に他ならない → 相場操縦は発見しない 価格時系列はAIエージェントがいない場合と同じ (20) 0 20 40 60 9980 10000 10020 10040 10060 0 1000 2000 3000 4000 5000 6000 7000 売買数量 価格 ティック時刻 AIエージェントの売買数量(200ティック時間ごと集計, 右軸) 市場価格(仲値, 左軸) ファンダメンタル価格(左軸) ファンダメンタル価格より安い → 買い ファンダメンタル価格より安い → 買い
- 42. まとめ ✓ 本研究では，遺伝的アルゴリズムを用いた人工知能が人工市場シミュレーションを用いて学習す るモデルを構築し，人工知能の作成者が相場操縦という取引戦略を全く意図していなかったにも 関わらず，人工知能が学習を通じて相場操縦という取引戦略を発見するのか調べた． ✓ その結果，人工知能は相場操縦に他ならない取引を最適な取引として見つけ出した．これは， 人工知能が人工市場シミュレーションを使って自分の取引が市場価格に与える影響を多く学習で きる場合には，人工知能の作成者が全く意図していなくても，相場操縦という取引戦略を発見 できる可能性を示している．ただし，実データを用いたバックテストでは相場操縦という取引戦略 を発見できない可能性も示唆した． 法規制への示唆 ✓ これらの結果は，株式取引を行う人工知能の作成者には，人工知能が相場操縦を行わない ようにする義務を負わせるなどの規制の必要性を示唆している．