AIBR プレミアム
拓海先生、最近、部下から『財務データを使ってAIで株を選ぶ論文』が良いらしいと聞きまして、正直何を基準に投資判断すればよいのか分からなくなっております。これって要するに何が変わるのでしょうか？
素晴らしい着眼点ですね！大丈夫、順を追って説明しますよ。要点を三つにまとめると、1) 将来の財務指標を予測して投資に使う、2) その結果、従来のファクター戦略より成績が良くなる、3) 実務で使うにはデータ整備と後方検証が鍵、ということです。
将来の数字を予測して、それを基準に銘柄を選ぶということですか。予測が外れたら大損ではないですか。投資対効果の面が一番気になります。
素晴らしい視点ですよ！まず、彼らは“未来の財務指標を完全に知っていると仮定した時の理想的な成績”をシミュレーションで見せています。それを『オラクル（oracle）』と呼んでいるんです。現実ではオラクルは無理ですが、この理想を目標に予測モデルを作ると改善余地が見えるんです。
なるほど。それで、その“ファクター”というのは具体的には何を指すのですか？営業利益とか簿価の比率のようなものですか。
その通りですよ。一般的にはbook-to-market（book-to-market、BTM、簿価対時価総額）やEBIT/EV（EBIT/EV、営業利益対企業価値）などの比率を『ファクター（factor）』と呼びます。これらは企業の割安・割高を示す目印であり、過去のデータでは価値株（value）が長期で優位だったことが知られていますよ。
これって要するに将来の営業利益や簿価をうまく予測できれば、今の株価との関係で割安な銘柄をより正確に見つけられるということですか？
素晴らしい着眼点ですね！まさにそのとおりです。論文では過去5年分の時系列データを用いて将来の財務指標を予測する深層ニューラルネットワークを訓練し、その予測を使ったポートフォリオが従来手法より改善したと示していますよ。
深層ニューラル…とありますが、我々のような現場で扱える代物でしょうか。データの整備や運用コストを考えるとすぐに導入は難しそうに感じます。
大丈夫、焦る必要はありませんよ。ここでの実務上の要点は三つです。第一に、モデル自体は複雑でも真のボトルネックはデータの質と頻度です。第二に、まずは小さなパイロットで検証し、運用コストと効果を測ること。第三に、モデルの出力をそのまま使うのではなく、リスク管理のルールと組み合わせることです。
投資判断の根拠としては将来の数字を使うが、運用では守りも必要と。要するにモデルは補助ツールで、最終判断はルール化された人間の審査が要るということですか。
その通りですよ！そして最後に、短い要点を三つ。1) 未来の財務を予測して既存ファクターに組み込むと理論的余地が大きい、2) 実務化にはデータ準備と慎重な検証が必須、3) 小さく始めて効果を数値で示すのが経営判断を得る近道です。大丈夫、一緒にやれば必ずできますよ。
分かりました。自分の言葉で整理しますと、「将来の決算数値を予測して、それを基に割安かどうかを見直すことで、従来のファクター戦略よりも高いリターンが期待できる。ただし実務ではデータ整備と小規模検証、運用ルールを組み合わせることが必要」という理解で合っていますでしょうか。
素晴らしいまとめですよ、田中専務。その理解で間違いありません。具体的な次の一手としては、まずデータの可用性を確認し、1年程度のパイロットを提案しましょう。大丈夫、一緒にやれば必ずできますよ。
