日経平均株価の予測モデルを紹介
AI技術が進展するなか、AIを活用した株式などの資産価格予測に関する研究も進んでいます。本稿では、現在のAI研究において中核的な技術の一つとなっているトランスフォーマー（Transformer）を用いて構築した、日経平均株価の予測モデルを紹介します。本稿では「トランスフォーマー型の日経平均予想AIモデル」と呼びます。
生成AIの得意分野と苦手分野
AIと聞くと、ChatGPT（チャットジーピーティー）を思い浮かべる方も多いでしょう。ChatGPTのように文章や画像などを作り出すAIは「生成AI」と呼ばれ、調べものや文章作成、相談、Excel表の作成、プレゼン資料の作成など、さまざまな場面で活用されています。
生成AIは大量の文章や数値データを学習し、その中から最も自然で可能性が高いと考えられる答えを作り出す仕組みです。そのため、文章の作成や要約、翻訳などは得意ですが、株価などの資産価格を定量的に予測することを得意とするわけではありません。これは、生成AIが電卓のように、あらかじめ決められた計算ロジックや数式に従って答えを導く仕組みではなく、学習した膨大なデータを参考に「一番それらしい答え」を作り出す仕組みだからです。
株価などの定量的な予測で主流のAIモデルとは
もっとも、生成AIは資産運用の分野でも活用されています。代表的なのが、ニュースや決算資料、アナリストレポート、SNSなどの文章を読み取り、その内容が株式市場や個別企業にとってポジティブか、ネガティブかを判定する「感情分析（Sentiment Analysis）」です。近年では、この感情分析の結果を株価予測モデルの入力データとして利用する研究も数多く行われています。
一方、株価や業績などの数値そのものを予測するAIでは、決定木やニューラルネットワークなどのAIモデルが現在も中心です。近年は生成AIの数値処理能力も向上し、生成AI単独で資産価格や業績を予測する研究も見られるようになりました。しかし、実際には生成AIによる感情分析と、ニューラルネットワークによる数値予測を組み合わせた「ハイブリッド型」の研究が多く、株価などの定量的な予測ではニューラルネットワークを用いたモデルが主流となっています。
ニューラルネットワークを用いたAIモデル、トランスフォーマーとは
今回は、ニューラルネットワークを用いたAIモデルの一つであるトランスフォーマーを活用して構築した、日経平均株価の予測モデルを紹介します。
まずは、株価予測に用いられるAIモデル全体の中で、トランスフォーマーがどのような位置付けにあるのか、その特徴とともに見ていきましょう。
株価などの資産価格を予測するAIモデルは、大きく分けると、決定木系とニューラルネットワーク系に分類できます。決定木系は、データを条件分岐しながら予測を行う手法で、比較的少ないデータでも高い精度を得やすく、予測結果を解釈しやすいことが特徴です。
ニューラルネットワーク：複雑な規則性や特徴を自動的に学習する
一方、ニューラルネットワーク系は、図表1でイメージされるように、人間の脳の神経回路を参考にした仕組みを用い、多くのデータの中から複雑な規則性や特徴を自動的に学習することを得意としています。株価のように、多数の市場データが相互に影響し合いながら変動する時系列データの分析では、ニューラルネットワーク系が広く利用されています。
初期モデルではLSTM（Long Short-Term Memory）が広く利用
ニューラルネットワーク系のモデルも時代とともに発展してきました。初期のニューラルネットワークは、入力されたデータ同士の関係を学習することはできますが、データが時間の順番に並んでいるという情報を直接扱うことは得意ではありません。そのため、株価のような時系列データでは、過去から現在までの流れを順番に学習できるLSTM（エルエスティーエム：Long Short-Term Memory）が広く利用されるようになりました。
入力期間全体を俯瞰できるトランスフォーマー（Transformer）
さらに近年では、トランスフォーマーが注目を集めています。Transformerは、過去のデータを時間順に一つずつ処理するのではなく、入力期間全体をまとめて見渡し、その中で予測に重要な時点や市場データを自動的に見つけながら学習することが特徴です。このため、離れた時点同士の関係や、株価・為替・金利・原油価格・VIXなど複数の市場データの関係を同時に学習しやすいという利点があります。
図表2は、ニューラルネットワーク、LSTM、トランスフォーマーの特徴を比較したものです。専門的な違いは多くありますが、イメージとしては、ニューラルネットワークは「データの特徴を学んで予測するAI」、LSTMは「過去から現在までの流れを見ながら予測するAI」、トランスフォーマーは「過去の中で特に重要な情報に注目して予測するAI」と理解するとよいでしょう。
トランスフォーマーが株価を予測する方法
こうした特徴を持つトランスフォーマーを用いて、日経平均株価の予測モデルを構築します。まずはモデルの構造をできるだけ分かりやすく説明し、その後、実際の学習方法や予測結果について紹介していきます。
トランスフォーマーモデルの構造と入出力変数
出力変数：日経平均の騰落率
今回のモデルの出力変数（予測する変数）は、日経平均株価の将来の騰落率です。実際には10日後までの騰落率とします。
入力変数：主要な指数等17種類のデータを利用
一方、入力変数には、日経平均株価の騰落率だけでなく、米国株、原油価格、為替、日米の長期金利、VIX指数など、株式市場に影響を与えると考えられる17種類のデータを用います。それぞれについて直近60営業日分のデータを並べてトランスフォーマーに入力するため、このモデルは1日だけの値ではなく、約3ヶ月間にわたる市場環境全体を踏まえて将来を予測します。
ただし、すべての変数を同じ形で入力しているわけではありません。図表3に示すように、株価や為替など方向性が重要なデータは騰落率、原油価格やVIX指数など水準そのものが市場に影響を与えるデータは水準、長期金利のように変化の大きさが重要なデータは前日からの変化を入力しています。これは、それぞれの市場データの特徴をできるだけ生かして学習させるためです。
ただし、日々のデータをそのまま入力するだけでは、モデルは「どの日の情報なのか」を区別できません。そこで、それぞれのデータに、60営業日のうち何日目の情報であるかを表す情報を加えます。これにより、データの値だけでなく、時間の順番も考慮しながら学習できるようになります。
トランスフォーマーで過去60営業日分のデータを解析、予測に重要と判断した情報をより重視
次に、トランスフォーマーは、過去60営業日のデータ全体を見渡し、将来の予測に役立つ情報を自動的に探します。例えば、直近の株価だけでなく、数週間前のVIX指数の上昇や、為替や長期金利の変化などが、その後の日経平均株価とどのような関係にあるのかを学習します。すべてのデータを同じように扱うのではなく、予測に重要と判断した情報をより重視できることが、トランスフォーマーの大きな特徴です。
こうして整理された市場情報をもとに、モデルは日経平均株価の将来の騰落率を予測します。
モデル全体の流れをまとめると、直近60営業日の17種類の市場データを入力し、その中から将来の予測に重要な情報をトランスフォーマーが自動的に抽出し、将来の日経平均株価の騰落率を予測するという流れになります。
実際のトランスフォーマー内部では、入力データを複数の計算層で処理しながら、変数同士や時系列の関係を学習しています。しかし、その詳細な数学的な仕組みを理解しなくても、「過去約3ヶ月間の市場データの中から、将来の予測に重要な情報を見つけ出し、その情報をもとに将来の株価を予測するAI」と考えれば、本稿で紹介する「トランスフォーマー型の日経平均予想AIモデル」の基本的な考え方を理解できます。
AIが予測した将来の日経平均株価
実際に2026年7月31日時点でトランスフォーマー型の日経平均予想AIモデルで予想した10日後までの日経平均株価の結果は図表4となりました。
今後、6立会日後までの日経平均株価は、やや弱含みながら、その後は騰勢に転じる推移が示されています。主観的な人間の判断をはさまず、市場環境から客観的にみた将来の株価予測としてご参考ください。
参考：本稿で用いたTransformerモデルの学習・評価の流れ
本稿で用いたTransformerモデルは、まず過去のデータを学習期間（Train）とテスト期間（Test）に分けます。テスト期間のデータは、モデルの性能を公平に評価するため、一切学習には使用しません。
学習期間はさらに学習用（Training）と検証用（Validation）に分けます。学習用データでは、実際の株価と予測値の差が小さくなるように、モデル内部のパラメータ（重み）を繰り返し更新します。一方、検証用データでは、学習に用いていないデータに対する予測誤差（SmoothL1Loss）を計算し、その値が最も小さくなった時点のモデルを採用します。これにより、学習データだけに過度に適合してしまう「過学習」を抑え、未知のデータに対しても予測性能の高いモデルを選択します。
最後に、これまで一度も学習に使用していないテスト期間のデータを用いてモデルの性能を評価します。本稿では、予測誤差を表すRMSEや、上昇・下落をどの程度正しく判定できたかを示す方向一致率などを用いて予測精度を確認しました。
