ChatGPTやClaudeでトレードの利益は出せるか？ボット、売買候補、クオンツ研究

トレードの利益は、実際にはどこから生まれるのか

言語モデルが決算発表を読み、事業が改善したと正しく判断しても、株価は下がり得ます。投資家はそれ以上を期待していたのかもしれません。バリュエーションが変化した可能性もあれば、分析を終える前に情報が価格に織り込まれていた可能性もあります。文書を正しく読むことと、適切な価格で十分に早く行動することは、別の達成事項です。

売買戦略で問うべきことは具体的です。この仕組みは、何の情報を他の方法よりも適切に解釈するのか。誰が反対売買の相手になり得るのか。なぜ、その情報はまだ価格に反映されていないのか。見落とされている文書、分類の難しい問題、他の参加者が行動できない制約などが答えの候補になります。ただし、いずれも検証すべき仮説です。広く利用できるチャットボットを使えるというだけでは、説明になりません。

もう一つ、目立ちにくい価値もあります。アシスタントは、取引台帳の照合、タイムスタンプの誤りの発見、有望でないアイデアの棄却にかかる時間を短縮できます。戦略の期待リターンが変わらなくても、そこには経済的な便益があります。ただし、評価は分ける必要があります。研究の生産性は削減できた時間とミスで測り、投資のアルファはコストとリスクを考慮した適切なベンチマーク超過の成果で測ります。利用料が前者では十分に見合っても、後者では価値を生まない場合があります。

クオンツ研究のアシスタントとして、ChatGPT、Claude、Codex、Claude Codeにできること

実務では、これらのツールはクオンツ研究のアシスタントとして働きます。仮説を厳密な形にし、ソフトウェアを作り、データを調べ、指定したシミュレーションを実行し、結果を説明する手助けができます。これは大きな能力です。同時に、役割分担が欠かせません。観測事実は元データに基づき、計算は実行可能なコードで行い、前提と証拠が行動を正当化するかどうかはトレーダーが判断します。

ツール選びは、仕事の内容から始まります。文書を調べるなら、ChatGPTとClaudeに同じ資料一式を渡し、何が変わったのか、どの記述がそれを裏付けるのか、何は結論づけられないのかを尋ねます。例えば、売上成長の要因は数量、価格、それとも買収なのか。こうした問いには検証の基準があります。次に上がる銘柄を求めても、同じような正解の基準は得られません。

リポジトリで開発するなら、評価すべき製品はCodexとClaude Codeです。OpenAIはCodexを、ソフトウェアの作成、レビュー、デバッグを行うコーディングエージェントと説明しています。Anthropicの文書では、Claude Codeがコードベースを読み、ファイルを編集し、コマンドを実行できることが示されています。[3] [4] データ取り込み、バックテスト、監査ツールの開発で協力を期待できる機能です。しかし、投資判断の優秀さを示す証拠ではありません。

ある戦略が、1時間足の終値を使って、その同じ足の始値で売買しているとします。コーディングエージェントには、各入力が利用可能になる時刻を追跡させ、不可能な売買を再現する小さなデータセットを作らせ、時系列処理を修正させます。合格条件は観察できます。どの判断も、その後に届く値を利用してはならないということです。資産曲線が滑らかになったかどうかは、修正の正しさとは関係ありません。

実際の仕事を繰り返し完了でき、重大なミスと確認の手間が少ないツールを選びましょう。使用したバージョン、ツール、設定も記録します。一般向けチャット、コーディングエージェント、APIを使うシグナルサービスでは、データへのアクセス、費用、動作が異なります。一つの環境の成果を、黙って別の製品の実績に読み替えるべきではありません。関連記事のトレード向けChatGPTとClaudeの比較では、こうした作業工程の選び方を詳しく扱っています。

ChatGPTやClaudeは、Pine ScriptやPythonで売買ボットを作れるか

はい。売買ルールを、インジケーター、バックテスト、スキャナー、アラート、ボットの構成要素に変える手助けができます。個人トレーダーにとっては、これが最も大きな意味を持つ使い方かもしれません。ノートの一段落にとどまっていたアイデアが、測定できるものになるからです。CodexやClaude Codeを使えば、その作業をリポジトリに広げ、データ処理、戦略ロジック、レポートを一緒に開発できます。ただし、戦略の意味を定義するのは人間です。

出発点は「儲かるボットを作って」ではなく、仕様です。対象商品、時間足、エントリー条件、発注時刻、退出ルール、ポジションサイズ、取引時間帯、コストを定義します。「上昇トレンドの押し目を買う」なら、何でトレンドを測り、何を押し目と呼び、足の確定を待って入るのかまで決めます。そうしなければ、アシスタントは実装を頼まれながら、実際には戦略そのものを考案しなければなりません。

Pine Scriptは、チャート上のインジケーター、視覚的な戦略開発、アラートに便利です。TradingViewのストラテジーはブローカーエミュレーターで注文を模擬し、設定と利用できる足データが約定に影響します。同じ足で損切りと利食いの両方に達した場合、どちらが先だったかを仮定する必要があります。下位時間足を調べれば再現の精度は上がりますが、模擬約定が取引所の実際の執行に変わるわけではありません。[8]

Pythonが役立つのは、独自データ、多数の商品、ポートフォリオ会計、ウォークフォワード実験、モンテカルロ分析、注文執行サービスが必要な場面です。元データから結果まで、再現可能な一連の処理も残しやすくなります。実運用には、さらに別の開発層が必要です。注文受付の確認、部分約定、再接続、重複イベントへの対処、証券会社や取引所との照合です。シグナル、発注要求、確認済みポジションは、それぞれ別の記録です。

決定的なルールは、決定的な処理のままにしておきます。移動平均の条件を、ティックごとに言語モデルへ解釈し直させる必要はありません。計算処理の開発をアシスタントに手伝わせ、固定ルールの実行はコードに任せます。モデルの呼び出しは、言語の解釈や、意図して定義した裁量的評価が必要な仕事に使います。これで不要な遅延、費用、出力のばらつきを減らせます。

良い納品依頼には、戦略コード、読める仕様書、小さなテストデータ、約定の前提に関する説明を含めます。過去のシグナルと、その後リアルタイムに観測したシグナルを比較し、リペイントも調べます。足が確定した後に変わるシグナルは、実際の判断時点よりも過去をきれいに見せることがあります。TradingViewは複数の異なる原因を説明しているため、「リペイントしない」という主張には、実際のスクリプトに即した説明が必要です。[9]

売買候補を探す：まずスキャナー、次にアナリスト

時刻付きの市場データを与えるか、適切なデータソースに接続すれば、ChatGPTやClaudeは候補の特定を手伝えます。有用なのは、測定した条件が付いた候補一覧です。チャートについて自信満々に語る文章ではありません。明示したフィルターを適用するスキャンと、なぜ調査に値するのかを説明する解釈を分けます。

例として、ブレイク後のリテストを研究するとします。確定した終値が直前20本の高値を上抜き、その後5本以内に、その水準の周囲に指定した範囲まで戻ったものを候補と定義できます。20本の基準には現在の足を含めません。価格の範囲、出来高フィルター、無効化条件は、成績を調べる前に固定します。こうした例示用の任意の設定は、アイデアを検証可能にするためのものであり、収益性を主張するものではありません。

銘柄、取引場所、観測時刻、トリガー水準、その水準からの距離、ボラティリティ指標、推定スプレッド、未達の条件を表にするよう求めます。データが遅延しているなら、その遅れを示します。正確な価格がスクリーンショットからしか分からない場合は、小数点以下を作り上げるのではなく、不確かさを示させます。その後、アシスタントに候補を売買手順書と照合させ、決算発表の接近を指摘させたり、相反する証拠を説明させたりできます。

条件を満たした候補は、見送ったものや無視したものもすべて保存します。後で全候補と選択したトレードを比較すれば、重要な問いに答えられます。選択の過程は成績を改善したのか。それとも、もっともらしい説明を増やしただけなのか。有用なAIスキャナーは、予測上の優位性を実証する前の段階でも、機会の全体像を確認しやすくします。

取引の振り返りとトレード日誌：経験を検索できる形にする

トレード日誌は、ChatGPTやClaudeの有用性が最も分かりやすい用途の一つです。メモを整理し、売買パターンのタグを付け、1週間を要約し、Pythonや表計算のレポートを作れます。エントリー前の計画と、退出後の振り返りは別の項目に記録します。結果を知った後で、アシスタントが最初の見立てを書き換えてはなりません。

取引ID、タイムスタンプとタイムゾーン、商品、売買方向、数量、約定、手数料、ファンディング、パターンのタグ、計画上の無効化条件、当初の予定リスク金額を残します。さらに、本人が述べたエントリー理由、ルールからの逸脱、その時点のメモを加えます。タグはモデルが提案し、トレーダーが確認できます。「焦っていた」というメモは、そう記録されていたことの証拠です。心理的な診断を創作してよい理由にはなりません。

結果は、明確に定義したR倍数でそろえます。純損益を当初の予定リスク金額で割った値です。予定リスクが50 USDT、純利益が75なら+1.5R、純損失が60なら−1.2Rです。Rの分母は記録されている必要があり、損失が1Rで必ず止まるという意味でもありません。十分な時間解像度の価格データがあれば、保有時間、最大逆行幅、最大順行幅も調べます。

意思決定を変え得る問いを立てます。遅れたエントリーは、計画した時間内のものより平均純Rが悪いのか。損失は特定の時間帯に集中しているのか。ストップの移動は成績を改善するのか、それとも損失確定を先延ばしにするだけなのか。各グループについて、サンプル数、エクスポージャー、コスト、ばらつきを示します。3件だけの利益が出た小グループは、調査の手掛かりであって、新しい売買ルールではありません。

過程と結果は別々に評価します。ルールを守っても負けることはあり、破っても勝つことはあります。どちらも計画に照らして確認します。別の退出方法を研究するなら、値動きの経路、発注時刻、費用を再構成します。すべてのトレードで、その後の最高値や最安値で退出できたと仮定してはいけません。成果物は「もっと規律を守る」という一般論ではなく、繰り返される執行遅延のように、次に検証できる具体的な観察であるべきです。

モンテカルロ法と複雑なシミュレーション：クオンツ助手の実務

これらのツールは、本格的な定量研究の構築を手伝えます。最大ドローダウン、連敗、過去最高資産額を回復するまでの期間、最終資産額の分布を推定する、ポジションサイズのルールを比較する、執行費用の増加やシグナルの弱まりをモデル化するといったPythonコードを依頼できます。モデルは問いをコードに変換し、前提を説明し、出力の解釈を支援します。ただし、数値計算エンジンが実際に計算し、入力、コード、乱数シードを保存する必要があります。

モンテカルロ法は一つの検定ではなく、手法の総称です。既存の取引集合を重複なしで並べ替えると、順序が変わります。各取引の損益と投入金額が固定され、経路に依存する制約がなければ、ドローダウンの経路は変わっても、最終的な総損益は変わりません。復元抽出では、どの結果が何回現れるかも変わるため、最終損益も変わり得ます。こうした実験を区別しない報告は、解釈が難しくなります。

独立なリサンプリングでは、観測値を独立した抽出として扱えると仮定します。しかし、取引結果はまとまって発生しがちです。複数のポジションが同じ相場変動の影響を受け、負ける期間が続くこともあります。ブロック単位の再標本化は連続した観測列を残します。ポートフォリオでは、資産間で同期した時間ブロックを抽出すると、共同変動の性質をより多く保持できます。弱い依存を持つ定常データには、定常ブートストラップという確立した手法がありますが、その仮定も検討が必要です。[10]

有用な研究依頼では、期間、数量決定ルール、例えば20%のドローダウンという閾値を定め、10,000本の経路を求めます。閾値を超えた経路の比率、有限の試行回数による不確かさ、ブロック長、コスト、推定した優位性への感応度を報告します。これらは条件付きのシミュレーション結果です。経路を増やせば計算上のばらつきは小さくなりますが、歴史的な証拠が増えるわけでも、不自然なデータ生成過程が直るわけでもありません。[11]

分析の拡張には目的を持たせます。過去データで再調整し、次の未使用区間を試すウォークフォワード評価。成績が狭いパラメーター設定に依存していないかを示す感応度マップ。相関が高まるポートフォリオのシナリオ。執行遅延や未約定。リターンが低下し、ボラティリティが上昇する相場局面。どれも別の問いに答えます。大きく見栄えのする図を情報として扱う前に、前提を文書化しましょう。

過去データの再標本化からは、入力に存在しない全く新しい種類のショックは生まれません。ブートストラップが全リスクを網羅すると考えず、明示的なストレスシナリオを加えます。重要な場面では、同時保有のエクスポージャー、資金制約、ポジション上限を維持します。そうしなければ、精巧なシミュレーションが、会計処理のミスを何千回も再生するだけになるかもしれません。

ChatGPTは株式リターンを予測できるか：研究結果を正確に読む

Lopez-LiraとTangは、言語モデルが企業ニュースの見出しから株式リターンに関する情報を抽出できるかを研究しています。現在の論文では、学習のカットオフ日後の見出しに対するGPT-4の評価に、その後の価格ドリフトを含む有用な情報があると報告しています。また、LLMの利用拡大に伴い、戦略のリターンが低下するとも報告しています。これは論文の設計に沿った特定の情報処理用途を支持する証拠であり、ChatGPTでのトレード全般に関する約束ではありません。[1]

特に慎重に扱うべき数字があります。論文の約90%というポートフォリオ日次の的中率は、初期の市場反応に関するもので、著者らは明確に売買できない部分としています。個々のトレードの勝率が90%という意味ではありません。価格にニュースが反映された後、その反応を正しく分類できても、以前の価格では買えません。行動に使える可能性があるのは、情報処理と執行が可能になった後のリターンです。[1]

Kim、Muhn、Nikolaevは、別の問いを扱っています。標準化・匿名化した財務諸表から、GPT-4は将来の利益変化の方向を推論できるか、というものです。結果は、その統制された環境で有用な分析能力があることを支持します。ただし、利益の方向と株価の方向は同じではありません。株価には期待や支払った価格も関わります。論文の過去のポートフォリオ実験は、現在のChatGPTやClaudeによる、監査済みの実運用成績ではありません。[2]

誠実な結論は、言語モデルは役に立たないということでも、問題は解決済みということでもありません。金融的に意味のある情報を抽出できる証拠はあります。しかし、それを売買可能な戦略に結び付けるには、タイミング、実装、費用、持続性について別途説明が必要です。これらの論文のいずれも、現在の一般向け製品のどれがより利益を生むかを確定していません。

コスト前に優位性があっても損失になる：具体的な計算例

完全な仮定として、ある戦略が月に100回の往復売買を行い、1回の基準想定元本を1,000 USDTとします。指定した基準エントリー価格から基準退出価格までの、平均コスト控除前リターンは1往復当たり12ベーシスポイントです。1ベーシスポイントは0.01%なので、総損益は100 × 1,000 × 0.0012 = 120 USDTになります。これは作成した前提であり、ChatGPT、Claude、TensorParadigmの測定結果ではありません。

往復の手数料を基準想定元本の6ベーシスポイント、スプレッドと執行の価格乖離の合計を4ベーシスポイント、モデル、データ、ホスティングの固定費を月30 USDTと仮定します。手数料は60 USDT、執行費用はさらに40です。固定費の前には20残りますが、差し引くと純損失10になります。この単純化した例には、レバレッジ、ファンディング、借株料、税金、複利を含めていません。30 USDTは仮定の予算であり、製品価格の引用ではありません。

表では、一度に一つの前提を変えています。すべての列で100回の売買、基準想定元本、手数料の予算、固定費は同じです。これは感応度の計算であり、予測や、起こり得る結果の確率分布ではありません。

基本ケースでは、損益分岐に必要なコスト前リターンは1往復当たり13ベーシスポイントです。手数料に6、執行に4、固定費に3が必要で、30 / 100,000 = 0.0003だからです。この口座で利益が出るには、モデルを使う仕組みの優位性がそのハードルを超える必要があります。わずかに超えるだけの結果は、推定誤差にもろいままです。

費用は一貫した方法で計上します。総損益を理論上の基準価格で計算するなら、その価格に対する執行の乖離を差し引きます。実際の約定価格で損益を計算しているなら、そこに含まれるスプレッドやスリッページを再び差し引いてはいけません。実際の請求手数料が分かる場合は、それを使います。ファンディングや借株に伴うキャッシュフローは増加にも減少にもなり、台帳に別途記録します。

資金が増えれば、より大きい取引元本に固定費を分散できますが、利益が比例して増える保証はありません。注文が大きくなると、市場インパクト、利用可能な流動性、戦略の運用容量も変わり得ます。機関投資家の執行研究では、戦略とポートフォリオ設計によって実行可能性が大きく異なることが示されています。すべての口座に共通の費用見積もりを当てはめてよいという意味ではありません。[5]

的中率60%で負け、45%で勝てる理由

方向の的中率には、損益の大きさが含まれていません。仮の取引列で、勝率60%、勝つと1単位、負けると2単位を失う戦略なら、コスト前の期待損益は1取引当たり0.60 × 1 − 0.40 × 2 = −0.20単位です。勝率45%、利益2単位、損失1単位の戦略なら、コスト前に+0.35単位です。どちらの計算も、その確率を現実に実現できることを示すものではありません。

モデルの確信度の数値が、そのまま推定確率になるわけではありません。上昇確率が適切に較正されていても、利益、損失、取引費用の分布がなければ、数量決定には不十分です。頻繁な小幅上昇と、時折の深刻な下落は両立します。的中率と併せて、損益のルール、保有中のエクスポージャー、裾の大きな損失を評価します。

純利益が正であることも、有用な投資成果であることより低いハードルです。買い持ちのみのAI戦略は、上昇相場で利益が出ても、同等のパッシブ運用より付加価値が小さい場合があります。ベンチマークは、期間、投資対象、資金、エクスポージャーをそろえて選びます。ドローダウン、回転率、集中度も確認します。一つの資産や数日間に支配された結果は、幅広く反復可能な優位性とは違う投資対象です。

過去検証には二つの時計と、二つの情報漏れの経路がある

最初の時計は市場のものです。見出しが公開され、訂正され、自分のデータ配信で利用可能になったのはいつか。モデルの処理が終わったのはいつか。その後、どの価格で執行できたのか。発表のタイムスタンプと、データセットの足の時刻は交換可能ではありません。例えば14:00:08に完成したシグナルが、同じ1分に属するからといって、14:00:00の始値で約定することはできません。

二つ目の時計はモデルのものです。現在のモデルに過去の見出しを見せると、その出来事、後の解説、結末に学習中に触れていた可能性があります。後のローソク足をプロンプトから隠しても、その知識は消せません。GlassermanとLinは、企業名の匿名化や期間比較でこの問題を調べています。結果は単純ではありません。企業についての知識は、後知恵を持ち込むだけでなく、分類を妨げることもあります。彼らの研究は、すべてのLLMシグナルが記憶したリターンにすぎないことの証明ではありません。[6]

三つ目の問題は研究者から生まれます。50のプロンプト、10の閾値、複数の資産集合を試し、最良の資産曲線だけを公表すれば、多数の実験から選別したことになります。コーディングエージェントが午後のうちに生成したとしても、不採用のアイデアも試行に数えます。バックテスト過剰適合の研究は、見栄えの良い過去成績の選別が、なぜその後の失望につながり得るのかを説明しています。[7]

過去分析は、会計のミスを発見し、もっともらしくない仕組みを棄却するために使います。現在のシステムが未見の結果を予測できるという、より強い主張には、工程を固定した後で、将来に向けて判断を記録します。評価期間を見てプロンプトやルールを変更した時点で、その期間は開発に使われています。新たな未使用期間で評価を始める必要があります。

AIが役に立つかを、実際に判定できる実験

対象を絞った一つの仕組みを選びます。例えば、決算発表に対するモデルの分類は、単純な決算サプライズのルールに比べ、あらかじめ指定した次の取引セッションの戦略を改善するか、という問いです。これは研究課題の例であり、推奨取引ではありません。結果を集める前に、対象企業、発表の種類、情報の締切、予測期間、判断ルールを定めます。うまくいった銘柄を見てから、黙って対象を広げてはいけません。

アブレーション、つまり構成要素を外す比較を行います。同じ工程を、言語モデルあり・なしで比べ、対象となる機会、資金上限、費用処理をそろえます。LLMなしの側には、わざと弱い比較相手ではなく、妥当な基準が必要です。提供元選びも課題に含むなら、同じ資料と制約で、ChatGPT系とClaude系の実装も比較します。

シグナルの質とポートフォリオの挙動は分けます。まず、モデルが予測対象について有用な情報を加えるかを調べます。次に固定した売買ルールを適用し、純損益を確認します。モデルによって取引する機会が変わるなら、全機会の集合と、各方式が選んだポートフォリオの両方を示します。そうしなければ、対象範囲の差が予測力の改善に見えてしまう可能性があります。

何回取引すれば結論が出るという、万能の件数はありません。相関するポジションや同じ出来事への繰り返しの賭けは、件数から受ける印象ほど独立した証拠を提供しません。その依存関係を扱える方法で不確かさを示し、異なる期間の成績も報告します。短いペーパートレードでソフトウェアの故障は見つけられますが、経験していない市場環境への頑健性は示せません。

最終的な答え：能力はある。利益の源泉を検証する

ChatGPTやClaudeを使ってトレーダーが利益を出せるか。答えは、はいです。健全な工程の中で、調査、コーディング、候補抽出、振り返りの能力を使い、判断や運用効率を改善できます。利益につながるアイデアを出せるか。候補を生成でき、特定の予測用途を支持する学術研究もあります。では、どちらかに何を買うべきか尋ねれば、安定して利益が出るといえるか。いいえ。利用可能な情報から、費用とリスクを考慮した結果に至るまでの、一連の証拠が欠けています。

裁量トレーダーには、構造化した日誌と売買候補のスキャナーが、最初に明確な便益をもたらすかもしれません。システムトレーダーには、Pine ScriptやPythonの開発、再現可能なバックテスト、シミュレーションの方が重要かもしれません。研究者にとっての核心は、言語モデルが妥当な代替手段より多くの情報を加えるかどうかです。まず役割を選び、貢献を測定し、その結果に応じて任せる責任を決めます。

TensorParadigmにも、他の提供者と同じ基準が当てはまります。ブランド、モデル名、技術構成は、記録された工程と完全な結果の代わりにはなりません。この記事は研究と独自の仮定計算を紹介するもので、TensorParadigmが特定のモデルを使っているとも、利益の出るChatGPT・Claude戦略を実証したとも主張していません。