何が論じられているか
The Gradientは、ChatGPTやGPT-4の登場で過熱したAI投資の流れを受け、LLMが株価や売買の予測に転用できるかを検証しました。LLMは前のトークンから次のトークンを予測する自己回帰モデルですが、これを「次の価格」「次の注文」を当てる装置に置き換えられるか、というのが論点です。
なぜ単純には移植できないのか
第一の壁は、データ量と質の非対称性です。Hudson River Tradingが2023年のNeurIPSで示した試算では、3,000銘柄×1日10データ点×252営業日で年間1,770億トークン規模に過ぎず、GPT-3の学習量5,000億トークンに届きません。第二に、言語には文法という安定した構造がある一方、市場はLasse Pedersenが「efficiently inefficient」と呼ぶ状態にあります。優秀な競合がシグナルを刈り取るため、残るのはノイズが大半です。さらに2021年のGameStop騒動のように、ファンダメンタルズと無関係な売買が常時混入します。
それでも残る応用余地
論考は否定一辺倒ではありません。価格と、ニュース・センチメント・衛星画像などを組み合わせるマルチモーダル学習、極端なシナリオを生成する合成データ、長いコンテキストウィンドウを活かしたマイクロ秒〜数カ月の複数時間軸の統合解析、そして経営陣の発言の矛盾検出や業界横断の潜在関係の抽出といったファンダメンタル分析支援を、現実的な突破口として挙げます。Transformerが採用する残差接続(residual)と、ファクターモデルの残差化が概念的に共鳴する点も興味深い指摘です。
出典: The Gradient
💼 事業会社視点：これは自社にどう効くか
日本の事業会社の経営層がこの論考から取るべき教訓は、「LLMで需要予測・価格予測ができる」という売り文句との距離の取り方です。HRTの試算が示すのは、自社の販売実績や株価のような時系列単独では、汎用LLMの基盤として致命的にデータが薄いという事実です。
SaaSやEC事業者であれば、価格・受注の生データだけでLLMファインチューニングに走るのではなく、CRMログ、問い合わせテキスト、SNS言及、衛星・POSなどのオルタナティブデータと束ねるマルチモーダル設計に投資すべきです。受託開発企業は、顧客から「LLMで株価/売上予測を」と相談された際、合成データ生成や決算説明会の矛盾検出といった「分析の補助」用途に切り替える提案力が差別化になります。
金融機関のIR・経営企画部門は、LLMをトレーディング自動化ではなく、競合の開示資料・業界横断の関係性分析にまず投下するのが現実解です。経営者が問うべきは「予測精度」ではなく「どの意思決定の質を上げるか」です。