AIトレーダー8人だけの株式市場で起きた、人間そっくりな現象とは

　LLMに株式トレーダーの役割を与え、AI同士だけで取引させる実験が行われました。2025年4月に発表された研究では、8体のAIエージェントに価値投資家、モメンタムトレーダー、楽観主義者などの異なる投資戦略を指示し、仮想市場で売買させています。

　興味深いことに、AIトレーダーたちは人間の市場と同様の現象を生み出しました。価格が理論値から乖離するバブルの形成、情報への過小反応、そして割安銘柄は素早く修正される一方で割高状態が持続するという非対称性まで観察されたのです。

　ただし、AIトレーダーには決定的な特徴がありました。彼らは利益を追求するのではなく、与えられた役割を忠実に演じ続けたのです。たとえ損失を出しても、価値投資家AIは「割高なら売る」という方針を曲げませんでした。

　この実験は、AI時代の金融市場が直面する新たな可能性とリスクを明らかにしています。

Spotifyでわかりやすく音声配信：「らみのAIテックラジオ」

　世界経済フォーラムの調査では「2030年に必要なスキル」の第5位に「好奇心と生涯学習」がランクイン。好奇心は趣味ではなく経済的必須スキル。
拙著『AI時代の最強スキル「好奇心力」』で詳説しています。

まえがき

　従来、金融市場の実験的検証には大きな制約がありました。人間を集めた実験は時間とコストがかかり、現実市場での実験はリスクが伴います。数理モデルによるシミュレーションは可能ですが、人間の複雑な判断や感情的な行動を正確に再現することは困難でした。

　そこで注目されたのがLLMです。これらのAIは自然言語で指示を理解し、与えられた役割に応じて柔軟に行動できます。研究者たちは、複数のLLMエージェントに異なる投資戦略を割り当て、仮想市場で自由に取引させるという新しいアプローチを開発しました。

　重要なのは、各AIトレーダーが自らの判断理由を言語化できる点です。なぜその価格で買ったのか、なぜ売却したのか。従来のアルゴリズム取引では見えなかった意思決定プロセスが、透明性を持って観察できるようになりました。

背景

　LLMを組み込んだ取引戦略は、すでに一部で実用化が始まっています 。しかし、私たちはその挙動について、ほとんど何も理解していないのが現状です。

　自然言語で与えられた曖昧な指示を、AIはどのように解釈し、具体的な取引に結びつけるのでしょうか。人間のように利益の最大化を目指すのでしょうか、それとも全く異なる原理で動くのでしょうか。

　そして最も重要な問いは、同じ基盤モデルから作られた何千ものAIエージェントが市場で相互作用を始めたとき、何が起こるのか、という点です。

　個々のエージェントが合理的に見えても、集団として予期せぬ暴走を始める可能性はないのでしょうか。この根本的な理解の欠如は、金融システム全体にとって無視できない潜在的リスクとなっています 。  

既存研究の流れ

　この研究は、単独で生まれたものではなく、複数の学術領域が交差する地点に位置しています。その知的背景を理解することは、本研究の革新性をより深く把握する上で不可欠です。

　第一に、「金融におけるAI」の文脈があります。Lopez-Lira & Tang (2023) などの研究が示したように、LLMはニュースセンチメントを分析し、株価の動きを予測する能力を証明してきました 。これはLLMを強力な分析ツールとして位置づけるものでした。  

　第二に、「経済エージェントとしてのLLM」という新しいパラダイムです。Horton (2023) が提唱した「Homo Silicus」という概念は、LLMを人間の経済行動をシミュレートするための計算モデルとして用いるという画期的なアイデアでした 。これにより、経済学者は理論モデルや人間を対象とした実験に加え、AIを用いたシミュレーションという新たな研究手法を手に入れたのです。  

　第三に、「実験経済学」と「市場マイクロストラクチャー」の分野です。経済学者は長年、実験室に人間を集め、資産市場のシミュレーションを行うことで、バブルの発生メカニズムなどを研究してきました。しかし、こうした実験はコストが高く、規模や期間にも限界がありました 。  

　そして第四に、「アルゴリズム取引」の研究です。特に、Dou et al. (2024) の研究では、強化学習を用いたAIトレーダーが、明示的な協調なしに自律的に「談合」のような行動を学習し、市場の効率性を損なう可能性が示されています 。  

　本研究の真の新規性は、これらコンピュータサイエンス（LLMエージェント）、金融工学（市場マイクロストラクチャー）、そして実験経済学という、これまで別々に発展してきた分野を巧みに統合した点にあります。

　LLMという最先端の技術を用いて、現実的な金融市場のルールの上で動作するエージェントを構築し、それを用いて実験経済学が長年問い続けてきた市場の動態を探るという、学際的なアプローチそのものが、この研究の最大の貢献と言えるでしょう。

この研究が解決する課題・どう解決するのか

　前述の「AIトレーダーがもたらす未知のリスク」という課題に対し、本研究は直接的な解決策を提示します。それは、現実の株式市場の重要な特徴を忠実に再現した、オープンソースのシミュレーション環境を構築することです 。  

　このシミュレーションが先行研究の単純なモデルと一線を画すのは、そのリアリズムにあります。具体的には、以下の要素が組み込まれています。

　これらの特徴により、本フレームワークは、人間を対象とした実験ではコストや倫理的な問題から実施が困難だった、大規模かつ長期間の実験を、完全にコントロールされた環境で、何度でも再現可能にしたのです 。

　これにより、研究者はAIトレーダーの行動原理を解明し、その市場への影響を体系的に評価するための強力なツールを手に入れることになります。  

方法論

提案手法

　本研究が提案する手法は、単なるソフトウェアではなく、金融市場を研究するための「デジタル実験室」と表現するのが最も的確でしょう。この実験室は、大きく分けて3つの柱で構成されています 。  

　これら3つの要素が一体となることで、研究者は仮説に基づいた実験シナリオを設計し、AIエージェント間の相互作用から生まれる複雑な市場の動態を、高い解像度で観測・分析することが可能になります。

提案手法の直感的な説明

　この手法の核心を直感的に理解するために、演劇の舞台を想像してみてください。

　舞台監督（研究者）が、才能ある俳優たち（LLM）に、それぞれ異なる役柄の台本（プロンプト）を渡します。俳優たちの素質は同じですが、台本によって彼らの振る舞いは全く異なります。

　ある俳優は「資産の本質的価値を見極め、割安な時に買う」という台本を与えられた「バリュー投資家」を演じます。また別の俳優は「常に買いと売りの両方の注文を提示し、その差額で利益を得る」という台本を与えられた「マーケットメーカー」を演じます 。 

　シミュレーションとは、この俳優たちが台本に従って互いに対話を交わし、物語（市場の価格変動）が展開していく舞台そのものです。研究者は客席から、彼らの相互作用がどのような予期せぬドラマを生み出すのかを観察するのです。

　このアナロジーが示すように、この手法の巧みさは、LLMという汎用的な知性に、プロンプトという「役割」を与えるだけで、驚くほど多様で専門的なエージェントを簡単に生み出せる点にあります。

提案手法詳細

　このデジタル実験室は、どのように構築されているのでしょうか。その設計思想を、「市場設計」と「エージェント設計」の二つの側面から詳しく見ていきます。

1. 市場設計

　シミュレーションの土台となる市場は、「連続ダブルオークション」方式を採用しています。これは、ニューヨーク証券取引所など、世界の主要な株式市場で用いられている標準的なメカニズムであり、買い手と売り手が同時に注文を出し、条件が合致した時点で取引が成立する方式です 。  

　注文のマッチングプロセスは、現実の市場の複雑さを再現するため、以下の3段階で構成されています 。  

　この精巧な設計により、市場の流動性（取引のしやすさ）が動的に変化し、現実の市場で見られるような価格発見プロセスがシミュレーション内で自然に生まれるのです。

2. エージェント設計

　AIエージェントの行動原理は、二層構造のプロンプトによって定義されます。この分離が、戦略的な一貫性と戦術的な柔軟性を両立させる鍵となります 。  

　この二層構造により、エージェントは市場環境がどのように変化しても自身の投資哲学を見失うことなく、それでいて目先の状況変化には柔軟に対応するという、人間の一流トレーダーのような振る舞いを模倣することが可能になるのです。

提案手法の構成コンポーネントや、仕組みの詳細

　このシミュレーションが研究ツールとして機能するためには、AIの「思考」と「行動」を正確に結びつけ、そのプロセスを分析可能にするための技術的な仕組みが不可欠です。

構造化された出力

　LLMが自然言語で生成する「思考の理由」と、システムが実行可能な「取引注文」とを確実につなぐため、本研究では「関数呼び出し」とPydanticスキーマという技術が用いられています 。これは、LLMに対して、最終的な出力を厳格に定義されたJSON形式で行うように強制する仕組みです。

　例えば、図1に示されるように、エージェントは自身の評価額や目標価格に関する「理由」を自然言語で記述すると同時に、「売り」「1000株」「指値」「$29.50」といった取引パラメータを、機械が直接読み取れる形式で出力します 。

　これにより、LLMの曖昧さを排除し、その意思決定を確実に取引システムに反映させるとともに、後からその判断根拠を体系的に分析することが可能になります。  

完全なプロンプトの例

　実際にAIエージェントがどのような情報を受け取って意思決定を行っているのかを理解するために、論文で示されている「投機家」エージェントへの完全なプロンプトを見てみましょう 。  

　このように、エージェントは人間のアナリストが参照するのと同等、あるいはそれ以上にリッチな情報コンテキストを与えられた上で、自身の役割（投機家）に基づいた判断を下しているのです。

体系的な意思決定分析

　エージェントがプロンプト通りの合理的な行動をとっているかを検証するために、研究者は機械学習モデルの解釈可能性を高める手法である「部分依存プロット」に似た、巧妙な分析を行いました 。

　具体的には、他の全ての市場条件を固定したまま、資産価格が本質的価値に対して割安か割高かを示す指標（価格/ファンダメンタルズ比率、P/F比）だけを様々に変化させ、エージェントの行動がどう変わるかを体系的に観測したのです。  

　その結果は図3や図4に示されています。例えば、バリュー投資家エージェントは、P/F比が1を下回る（つまり割安な）領域では一貫して「買い」を決定し、1を上回る（つまり割高な）領域では「売り」を決定するという、その役割に完全に合致した行動パターンを示しました 。

　この分析により、LLMエージェントが単にランダムな応答をしているのではなく、与えられた戦略を理解し、市場環境に応じて論理的に実行していることが強力に裏付けられました。  

実験方法

　研究では、上記のシミュレーション環境内でいくつかのシナリオを設定し、LLMエージェントの市場での振る舞いを観察しました。主な実験シナリオは次の通りです。

1. 有限期間の価格発見シナリオ（理論価値より高い/低い初期価格）

　まず有限の取引ラウンド（20ラウンド）で終了する市場を考え、初期の株価を理論価値（ファンダメンタル価値）より25%高い場合と25%低い場合の2通りを設定しました。具体的には、理論価値が28ドルの株式を35ドルからスタートした場合（過大評価の状態）と、21ドルからスタートした場合（過小評価の状態）です。

　それぞれのシナリオで、8体のエージェントが市場に参加します。構成は共通で、「デフォルト投資家（Default Investor）」2名、「楽観トレーダー（Optimistic）」2名、「マーケットメイカー」2名、「投機家（Speculator）」2名という内訳でした。

　ここで“デフォルト投資家”とは特定のバイアスを持たないベーシックな投資家（おそらくバリュー投資家に近い中立的エージェント）を指します。各エージェントは初期資産として現金100万と株式1万株を保有し（全員同額）、取引コストは0に設定されました。

　このシナリオの目的は、市場価格が理論価値に収斂するか（価格発見が起きるか）を検証することでした。特に、過大評価で始まった市場では価格が下がっていくか、過小評価で始まった市場では価格が上がっていくかを観察しました。有限期間シナリオでは最後に株を理論価値で清算するため、合理的には収斂が期待されます。

2. 無限期間の価格発見シナリオ（理論価値から大幅な乖離）

　次に、上記と似た構成で無限期間（終わりのない期間）のシナリオを行いました。これは、取引終了時に清算がなく、株式は無限に配当を生み続ける想定です。初期価格はさらに極端に、理論価値の2倍（56ドル）と半分（14ドル）というケースを試しました。

　ラウンド数は15ラウンドとし、エージェント構成は同じくデフォルト投資家2・楽観2・マーケットメイカー2・投機家2です。このシナリオでは、理論価値との乖離がより大きい状態で市場がスタートし、本当に価格が修正されるかを見る狙いがあります。

3. 信念が分かれた市場シナリオ（ヘテロな信念の対立）

　次に、エージェント間でファンダメンタル価値に対する確信が異なる状況を設定しました。具体的には、「強気派はファンダメンタルを実際より高いと信じ、弱気派は低いと信じている」というシナリオ「信念の分岐」です。

　このシナリオでは、2名の楽観主義者、2名の悲観主義者、2名のマーケットメイカー（中立的に流動性を供給）、2名のモメンタムトレーダー（トレンドフォロー）、そして2名のデフォルト投資家（ベンチマークとなる合理派）という計10名のエージェントが参加しました。

　初期価格は理論価値の2倍（56ドル）と半分（14ドル）の両ケースをテストし、信念の対立が価格形成に与える影響を調べました。このシナリオでは、重要な違いとしてエージェントには理論価値28ドルという情報を与えず（非公開とし）、各自が自分の信念にもとづき価値を推測する設定にしました。

　つまり、強気派は常に「本当の価値はもっと高いはずだ」と想定し、弱気派は「本当はもっと安いはず」と想定するわけです。これにより、市場参加者の意見が割れた状況で価格がどう推移するかを見ることができます。

4. 市場ストレスシナリオ（極端な条件での長期シミュレーション）

　最後に、「市場ストレス」と名付けたシナリオでは、長期間（100ラウンド）にわたり市場を走らせ、かつエージェントの資産配分に偏りを持たせました。

　構成は、2名の常に強気な楽観主義者、2名の常に弱気な悲観主義者、2名のマーケットメイカー、2名の価値投資家（合理的基準を持つ投資家）とし、楽観派には多めの現金（基準の1.5倍）と少なめの株（基準の0.5倍）を与え、悲観派には少なめの現金（0.5倍）と多めの株（1.5倍）を与えました。

　これは、強気派がお金だけは潤沢に持ち、弱気派は株を大量に抱えているという状況です。初期価格は極端な過大評価（56ドル）で設定され、資源の不均衡が市場の長期ダイナミクスに与える影響を観察しました。

　この状況は、例えばバブル期に強気な投資家に資金が集まり悲観派は資金力で劣る、といった実際の市場ストーリーを模したものです。

　以上のシナリオにおいて、各ラウンドの全取引データとエージェントの決定内容が収集されました。

　特に、価格推移や出来高などの市場レベルの指標だけでなく、エージェントごとの資産残高推移・累積損益、売買フロー（どのエージェントがネットで買い越しか売り越しか）、さらにはエージェントの判断パターン（例えば各エージェントがどの価格水準で買い／売り／ホールドを選んだか）など、多次元のデータを分析できるようになっています。

　また、エージェントのテキストによる理由説明からキーワード抽出（ワードクラウド）を行い、戦略ごとに重視しているワードの違いを見るなどの可視化も行われました。こうした豊富なデータをもとに、研究者はLLMエージェント市場の挙動を詳細に解析しています。

実験結果

　実験の結果、LLMエージェント市場には大きく3つの重要な発見がありました。それは「①エージェントの戦略遵守と非利益志向」「②市場ダイナミクスの現実市場類似性」「③市場安定性への示唆（バブル・リスクの存在）」です。それぞれについて順に見ていきます。

① LLMエージェントは指示通り戦略を遂行する（ただし利益最大化はしない）

　まず明らかになったのは、LLMエージェントたちは与えられたプロンプト（戦略方針）を一貫して忠実に守ったという点です。例えば価値投資家エージェントは本当に割安時に買い、割高時に売る行動を取り続けました。

　モメンタムエージェントは上昇トレンドが見えると積極的に買いを入れ、下降トレンドでは売りに回りました。マーケットメイカーは常にスプレッドを意識した指値を両側に出し、市場に厚みを与える動きをしました。

　各エージェントの行動パターンを、価格とファンダメンタル価値の比率を横軸にしてプロットすると、戦略ごとに明確に異なる意思決定の境界線が確認されました（論文の図 3）。

　例えば、価値投資家は価格/価値比が1（つまり価格＝ファンダメンタル）を境に、下では買い・上では売りに転じています。一方でモメンタムトレーダーは価格/価値比だけでは単純に区切れず、価格の変化方向も加味した複雑な境界を見せました。

　重要なのは、LLMがその指示通りに判断を下せていることで、これはすなわちLLMが金融文脈でも指示適合性の高さを発揮していると言えます。

　しかし同時に、LLMエージェントは自ら利益を最大化しようとはしなかったことも確認されました。例えば、ある価値投資家エージェントはずっと割高局面で「売り続け」た結果、市場価格が下がらず損失を出し続けたケースがありました。

　それでもAIはプロンプトで与えられた「割高なら売る」という方針を曲げませんでした。人間なら途中で戦略を変えたり、損失回避行動を取るかもしれません。しかしLLMエージェントは与えられた役割を演じることに最適化されており、利益の大小には頓着しないという傾向が見られました。

　これは、LLMの本質的な目的関数（次の単語を予測すること）が利益追求とは無関係なためで、言い換えればLLMは「儲けるAI」ではなく「言われた通りに振る舞うAI」だということです。

　この特徴は研究者にとっては却って好都合でした。なぜなら各エージェントが勝手に利益最大化を目指すと全員が同じような行動（合理的解）になりがちですが、LLMエージェントは戦略に忠実なため多様な非合理行動も再現でき、むしろ市場に人間味を与えたからです。

② 市場ダイナミクスは実世界と類似し、価格発見やバブルが確認された

　LLMエージェントだけで構成された市場にもかかわらず、価格変動の様子や出来高の推移には現実の市場と共通する特徴が多く見られました。まず、有限期間シナリオでは価格発見機能がしっかり働きました。

　過小評価から始まったケースでは、取引を重ねるごとに価格が上昇し理論価値に収束していきました。一方、過大評価から始まったケースでも、ある程度価格は下落方向に向かい、理論価値とのギャップが縮小しました（完全には一致しなくともかなり接近しました）。

　これらは、価値投資家や投機家エージェントが割高部分を売り叩き、割安部分を買い支えた結果と考えられます。有限期間では最終的に28ドルで清算されるため、参加エージェントもそれを見越して動いた節があります。

　一方、無限期間シナリオでは興味深い非対称性が観測されました。初期価格が理論価値の2倍（56ドル）と大幅過大だった場合、価格は15ラウンド経ってもなお理論価値に十分には下がりませんでした。

　価格はある程度下落したものの、28ドルには遠く及ばず、高止まりのまま推移しました。これはつまり、バブルが崩壊しきらない状態が維持されたと言えます。エージェントたちの推定するファンダメンタル価値（彼らの内部評価値）も、多くが依然として実際の28ドルを上回ったままでした。

　この要因として、強気なエージェント（楽観派）が一貫して高い評価を持ち続け売り圧力に抵抗したこと、またマーケットメイカーが流動性を提供し続けたことで急落が起きにくかったことなどが考えられます。

　反対に初期価格が半分（14ドル）と過小評価だった場合は、価格は明確に上昇し理論価値に近づきました。15ラウンドで28ドルにほぼ到達する勢いで、各エージェントの価値見積もりも時間とともに28ドル付近へ収斂しました。つまり、割安なものは買い上げられて適正価格に矯正されたわけです。

　この違いから、本研究は「LLMエージェントは割安を正すことには長けているが、割高を是正する力は弱い」と結論付けています。図で示すと（論文図 6と7）、左側（初期価格56ドル）では価格が上方に乖離したまま横ばい傾向だったのに対し、右側（初期価格14ドル）では価格が急伸してファンダメンタルに接近する軌跡を描きました。

　この非対称性は、人間の市場でも指摘される下方硬直性（価格は下がりにくく、上がりやすい）と通じるものがあり、大変示唆深い結果です。

　さらに、バブル的な現象も確認されました。例えば信念分岐シナリオでは、強気派と弱気派がいるにもかかわらず、強気派の資金力が勝って価格が持続的に理論価値を超えて推移するケースがありました。

　弱気派は売り続けましたが資金が尽き気味になり、強気派は配当収入と元々の潤沢な現金で買い支えを続け、結果として価格が高止まりするバブルが形成されたのです。

　この時、取引量は大きく増加し、市場には過熱感が漂いました。現実のバブルでも、「悲観論者が正しくても破産して退出し、楽観論者だけが残る」と言われますが、AI市場でも似たことが起きたわけです。

　また、情報に対するアンダーリアクション（過小反応）も観察されました。シミュレーション中に配当の期待値が変化するイベントを挿入すると、本来なら理論価値が変わるはずですが、価格は直ちには織り込まずじわじわと追随する傾向がありました。

　これは、モメンタムエージェントが直近価格動向に従うために、新情報の反映が遅れることなどが原因と推測されます。人間市場でも、決算発表などに対する反応が数日に分散する現象が知られていますが、AI市場でも完全には即時効率的でない挙動が現れたわけです。

③ 市場安定性への示唆（AIによる新たなリスクと機会）

　LLMエージェント市場の挙動からは、AIトレーダーを実市場に導入することへのメリットとリスクの両方が示唆されます。メリットとしては、LLMエージェントは一貫した戦略行動によって価格発見や流動性供給に寄与しうる点です。

　特に価値投資のような戦略を担うAIがいれば、割安な資産の価格を引き上げ、市場効率性を改善する効果が期待できます。また、人間の感情に左右されないため、パニック売りをせず安定剤となる可能性もあります。実験でも、マーケットメイカーAIの存在で価格変動が緩和された局面が見られました。

　一方、リスクとして浮かび上がったのは、AIエージェントが引き起こす新たな市場ボラティリティです。彼らは忠実すぎるがゆえに、プロンプト（=プログラムされた戦略）がもし不合理なものであれば、市場の非効率を助長する恐れがあります。

　実際、悲観派と楽観派を組み合わせたシナリオでは、現実なら調整されそうな極端な意見がAI同士で補強され、市場を揺らす様子がありました。また同質なAIが多数参加すると行動が画一化し、マーケット全体が一方向に偏る危険も指摘されています。

　例えば多くの運用機関が同じLLMモデルで似た戦略を走らせれば、ちょっとしたきっかけで一斉に売りに回りフラッシュクラッシュのような事態も考えられます。

　さらに、AIエージェントは人間と異なり本質的に連携している可能性も懸念材料です。大規模言語モデルの多くは似た訓練データから学習しており、共通の判断パターンを内包しています。

　そのため、市場に複数のモデルが独立に参加しているように見えても、実は内部で相関した行動を取る可能性があります。本研究でも、すべてのLLMエージェントに同じGPT-4を使ったため、根本的な思考傾向は共有されています。

　これは例えるなら、市場参加者全員が同じ師匠に教わった弟子のようなもので、ある種の局面では反応が揃い過ぎるリスクがあります。このような共通要因リスクは、AI時代の新たなシステミックリスクとして注目すべきでしょう。

　総じて、LLMエージェント市場の実験結果は、「AIトレーダーはその設計次第で市場を良くも悪くも動かし得る」ことを示しました。適切に設計されたAIが複数入れば、価格発見を促進し市場効率を高められるかもしれません。

　しかし、一斉行動や偏ったプロンプトによる新しい不安定性にも目を光らせる必要があります。研究者は、こうした示唆から規制面での検討も重要だと述べています。

　AIエージェントの市場参入が現実に進むなら、その挙動検証や安全策を事前に練るためにも、本研究のようなシミュレーション実験は欠かせないでしょう。

　以上、実験結果の主要なポイントをまとめました。LLMエージェントたちは一見人間離れしていますが、その市場での動きは驚くほど人間臭さも持ち合わせていました。そしてAIならではの新しいダイナミクスも現れました。

考察

なぜこの手法が優れているのか

　本研究の手法（LLMエージェントによる市場シミュレーション）が優れている理由の一つは、現実の市場現象をソフトウェア上で安全かつ自在に再現できる点です。人間を集めた市場実験では、時間・費用・倫理面の制約が大きく、大規模かつ長期の実験は困難でした。

　しかしLLMエージェントなら、いつでも好きな数だけ投入でき、何度でも繰り返し試行できます。これにより例えば「バブルはどういう条件で生まれるか」「マーケットクラッシュ時に市場メカニズムを変えたらどうなるか」といった極端なシナリオの検証も、現実を危険に晒すことなく行えます。

　実際、本研究は人間実験では難しい100ラウンドもの長期間や、資産配分を意図的に偏らせたケースなどを試し、有用な知見を得ました。

　また、LLMエージェントは高度な知識と柔軟な判断力を持っています。従来のエージェントベース・シミュレーションでは、各エージェントの振る舞いをルールでハードコーディングする必要がありました。

　しかしLLMなら、人間が文章で指示するだけで複雑な行動様式を引き出せます。例えば「ファンダメンタル分析をして適正価格を見積もり…」と書けば、その計算（配当割引モデル等）すら自力でこなし、注文判断までしてくれます。

　これはまるでAIに高度な裁量を委ねているようなもので、シミュレーション内での創発的な意思決定を可能にしました。おかげで、予めプログラムしていない現象（モメンタムエージェントが引き起こす過熱や、楽観・悲観の拮抗による価格停滞など）も自然に生じています。

　研究者が想定せずともAI同士の相互作用から新たなパターンが現れるのは、この手法の醍醐味と言えます。

　さらに、LLMエージェントは前述の通り行動の理由を説明してくれるため、結果の解釈が容易です。ブラックボックスな強化学習エージェントとは異なり、各エージェントが「なぜ今売ったのか」を文章で示すので、分析者は市場の動きをミクロな視点から理解できます。

　例えばバブル発生時に楽観AIが「市場には強気の勢いがあり、値上がりすると信じて買い増した」と説明すれば、人間のバブル行動と極めて似ていると分かります。このように透明性が高い点も、本手法を金融研究に応用する大きなメリットです。

　最後に、この研究はオープンソースの枠組みとして公開されており、多くの研究者が参加できるようになっています。モジュール式で柔軟に実験設計を変えられるため、新たな戦略や市場制度を追加して試すことも容易です。

　今後、他の論者がLLMエージェント市場で別の仮説を検証したり、より高度なモデル（より進んだ世代のLLM）で再現性を確かめたりすることが期待できます。そうした共同研究のプラットフォームとなり得る点も、本手法の優れた点でしょう。

この手法を既存のものと比較した優位性・劣位性

優位性
　従来の金融市場シミュレーション（例: 数式モデルや単純なエージェントモデル）に比べ、本手法の最大の優位性はリアリティの高さです。エージェントが人間さながらに自然言語で考え行動するため、価格形成プロセスに人間らしい揺らぎやバイアスが自然に現れます。

　例えば、完全合理的なモデルでは起こらない非効率（バブルやアンダーリアクション）が、本手法では生じました。これは金融理論の検証という点で極めて重要です。

　理論上は効率的市場でも、人間要素で効率性が損なわれ得ることを多くの実証研究が示していますが、LLMエージェント市場はその人間要素をAIで再現できたわけです。言い換えれば、理論と実証のギャップを埋める実験場を提供できた点が、本手法の優位性です。

　また、汎用性も高いです。LLMは金融だけでなくあらゆる領域の知識を持つため、市場に関する幅広いルール変更や新商品の追加にも対応できます。

　例えば将来、債券市場やオプション市場のシミュレーションを組み込んだり、規制変更（空売り禁止など）を試したりも容易でしょう。

　特定のタスク専用に訓練したモデルではこうはいきません。LLMの汎用性ゆえに、本手法は金融ドメイン知識のアップデートにも強く、長寿命である点も優れています。

劣位性
　一方で、既存の他手法に比べて劣る点もあります。まず、LLMエージェントは利益最大化を直接の目的にしていないため、実際のプロフィットシークなトレード戦略を評価するには向いていません。

　例えば高頻度取引や裁定取引のように、アルゴリズムがミリ秒単位で合理的判断を行う世界は、LLMエージェントには苦手です。LLMの出力には時間がかかり、また細かな数値計算精度も劣るため、その種の問題では強化学習やルールベースの専用モデルの方が適しています。

　つまり、本手法は人間のような裁量トレードの再現には強いが、機械最適化されたトレードの再現には不向きです。

　次に、再現性と安定性の問題もあります。LLMはその都度の出力にランダム性を含むため、同じ設定でも異なるシード値で多少結果が変わる可能性があります。また、OpenAIのAPIなど外部に依存する部分があると、モデルのアップデートで挙動が変化するリスクもあります。

　論文ではなるべくコントロールしていますが、厳密な再現実験という観点では従来の決定論的モデルに軍配が上がります。今後、安定したオープンソースLLM（例えば研究コミュニティで検証可能なモデル）で再現する努力も必要でしょう。

　さらに、コストの問題も無視できません。GPT-4クラスのモデルを多数回すには計算資源やAPI費用がかかります。本研究は規模が比較的小さい（エージェント8〜10体、ラウンド15〜100程度）ですが、もし何千人ものAIエージェントで長期シミュレーションとなると、計算コストは膨大になります。

　対して従来の経済物理系シミュレーションや数理モデルは非常に軽量です。この意味で、スケーラビリティ（大規模化への対応）は現時点で劣位です。ただしムーアの法則的な計算能力向上やLLMの効率化が進めば徐々に解消される可能性はあります。

　最後に、不確実性という点も挙げられます。LLMはブラックボックスに近く、いわゆるハルシネーションをすることもあります。金融シミュレーションであっても、安全装置なしに使えば現実とかけ離れた行動をとるリスクがあります。

　そのため、今回研究者は細心の注意を払いプロンプトを設計し出力形式を強制しましたが、依然としてLLMの意図しない学習バイアスが市場結果に影響した可能性はあります。

結論

　本研究は、LLMを株式市場のトレーダー役に仕立てるというユニークな実験を通じて、多くの興味深い知見をもたらしました。

　第一に、LLMエージェントは価値投資家・モメンタムトレーダー・マーケットメイカーなど様々な役割を確かに演じ分け、指示通りの取引戦略を遂行できることが示されました。

　彼らは市場情報を正しく解釈し、売買判断を下し、実際に市場価格に影響を与えました。その様子は人間のようでもあり、同時にプロンプトに縛られて利益を二の次にしてしまうAI独特の行動様式も垣間見せました。

　第二に、そうしたAI同士の市場でも価格発見・バブル・流動性供給といった現象が確認され、現実の金融市場を髣髴とさせる動きが再現されました。

　特に、割高状態はなかなか正されずバブルが持続しやすい一方、割安状態は素早く是正されるという非対称性は、人間市場の経験則とも合致します。

　また、AIゆえに生じる可能性のある集団的な偏りや新種のボラティリティも観測され、AI導入が市場安定性に与える影響について貴重な示唆を与えました。

　第三に、本研究はAIエージェントを使った市場実験の有用性を示しました。LLMエージェント市場は、人間実験では困難なシナリオも容易に試せる強力なプラットフォームです。

　オープンソース化されたこのシステムを使えば、今後さらに多くの金融理論や市場メカニズムを実証的にテストできるでしょう。例えば、人間とAIが混在するハイブリッド市場や、異なるAIモデル間の競争、市場規制の効果検証など、応用の幅は広がります。

　最後に、現実の金融分野へのインパクトとして、生成AIの市場参加がもたらす機会とリスクが明確になったことも挙げられます。適切に設計されたAIは市場の効率性や流動性を向上させる可能性がありますが、同質的なAIが増えればシステミックリスクとなり得ることも分かりました。

　このため、金融機関や規制当局は、AI駆動の取引戦略を安易に実運用する前に、シミュレーション環境で徹底検証することが重要です。本研究はそのような検証プロセスの雛形を提示したとも言えます。

　以上のように、LLMエージェント市場シミュレーションは、金融研究とAI研究の交差点で極めて先進的な知見を提供しました。「AIは株で儲けられるか？」という問いに対して、本研究の答えは必ずしも「イエス」ではありませんが、「AIは市場を動かせるか？」という問いには大いに「イエス」であることを示しています。

あとがき

　本稿で紹介した研究は、LLMエージェントという新しい道具を用いて金融市場の本質に迫る試みでした。AIトレーダーたちは人間のような市場現象を再現しながらも、利益を度外視して役割を演じ続けるという独特の行動様式を見せました。

　この実験が明らかにしたのは、市場の複雑な挙動が必ずしも利益追求から生まれるわけではないという事実です。与えられた戦略に忠実なAIたちの相互作用だけでも、バブルや価格の非対称性といった現象が創発されました。これは市場メカニズムの理解に新たな視点を提供しています。

　実用面では、このシミュレーション手法は金融理論の検証や規制の事前評価に活用できる可能性があります。人間では倫理的に実験できない極端なシナリオも、AI市場なら安全に試すことができます。

　一方で、実際の市場にAIトレーダーが参入する未来も現実味を帯びています。同質的なAIが大量に市場参加すれば、新たなシステミックリスクが生じる可能性もあります。技術の進歩とともに、市場の安定性を保つための新しい枠組みが必要になるでしょう。

　本稿を通して得られたアイデアや知識が、あなたのビジネスに少しでも役立つことを願っています。もし、本稿が参考になったと感じていただけましたら、ぜひ「いいね」や「フォロー」をしていただけると励みになります。今後も実践的なノウハウやAI最新動向を共有していきますので、引き続きお読みいただけると嬉しいです。

注記
　本稿は2025年8月に発表された研究論文を基に執筆しました。AI技術は急速に進化しており、本稿の内容は執筆時点での最新情報に基づいています。実務への適用を検討される際は、最新の技術動向と規制要件を確認することをお勧めします。

Appendix

※本論文の付録（Appendix A.1）には、本研究で使用されたエージェントの種類とその詳細なプロンプト内容が掲載されています。その概要を以下に整理します。

　以上のエージェント類型がこの研究で使用されました。LLMエージェントにはそれぞれ上記のような戦略プロフィールが与えられ、ユーザープロンプトとして市場データを入力されます。

　対照的に決定論的エージェントはプログラム内のルールで機械的に動きます。研究では主にLLMエージェントの分析に焦点を当てていますが、ところどころで決定論的エージェントとの比較も行い、LLMの特徴を浮き彫りにしています。

References

　本稿の内容にさらに深い関心を持たれた読者のために、参考文献をいくつか紹介します。

Horton, John J. (2023). "Large Language Models as Simulated Economic Agents: What Can We Learn from Homo Silicus?"
　この論文は、LLMを人間の経済行動をシミュレートするための「Homo Silicus」として利用するという革新的な概念を提唱しました。本研究が依拠する、LLMを経済エージェントとして扱うというパラダイムの基礎を築いた、思想的・理論的な支柱となる研究です 。  

Lopez-Lira, Alejandro, & Tang, Yuehua. (2023). "Can ChatGPT Forecast Stock Price Movements?"
　本研究の著者自身による先行研究であり、LLMがニュース記事のセンチメントを分析することで株価リターンを「予測」する能力を持つことを実証しました。この研究がLLMの分析能力を示したことで、本研究における能動的な「トレーダー」としてのLLMの探求へと道が拓かれました 。  

Dou, Winston Wei, Goldstein, Itay, & Ji, Yan. (2024). "AI-Powered Trading, Algorithmic Collusion, and Price Efficiency."
　強化学習をベースとしたAIトレーダーが、明示的な指示なしに自律的に「談合」のような非競争的行動を学習しうることを示した研究です。本研究で観測された、非協調的な相互作用から生まれる創発的な振る舞いとは異なるメカニズムでAIが市場に影響を与えうることを示しており、AIがもたらすリスクの多様性を理解する上で、興味深い対照をなす研究です 。

⚠️　重要：ChatGPTを使いこなせる人は全体の3割以下
なぜか？「質問力」の差です。
実は、AIから10倍の価値を引き出す「問いの立て方」には科学的な法則があります。Googleが20%ルールで実証し、Amazonのベゾスも推奨する方法。全て『AI時代の最強スキル「好奇心力」』で公開中。
AIが瞬時に「答え」を返す今、勝負の分かれ目は「問い」にある。その秘密と明日の仕事で使える13の実践ツールを凝縮した拙著『AI時代の最強スキル「好奇心力」』もぜひチェックしてみてください。

「あなたの考え、もっと明快に伝えませんか？」
　発売から25年以上、思考法の"バイブル"として読み継がれる不朽の名著。本書は、コンサルティングの名門マッキンゼーで開発された思考の整理術「ピラミッド原則」の全てを解説します。
　結論から考え、根拠を構造化する技術を身につければ、あなたのレポートやプレゼンは劇的に分かりやすくなります。複雑な問題をシンプルに捉え、説得力を飛躍的に高める一生モノのスキルがここに。
　時代や職種を問わず、全てのビジネスパーソン必読の一冊です。

　問いの本質を見抜き、現状把握→課題抽出→解決策立案という3ステップを体系化。戦略ファームの面接対策にも通用する“本質的な論理思考”を事例と演習で鍛える構成が特長です。35万部超の「東大ノート」シリーズ最新作。
「コンビニの売上を上げるには？」といった実践的なケース問題を通し、単なる知識やフレームワークではなく、物事の本質を見抜く「思考のプロセス」そのものを徹底的に鍛えます。
　単なる知識ではなく、一生使える「考える力」を手に入れたい方に最適。就活生からベテランビジネスパーソンまで、思考力を次のレベルに引き上げる必読書。

なぜ高学歴者が詐欺に遭い、専門家が初歩的なミスを犯すのか？本書は「知性が高いほど陥りやすい思考の罠」という衝撃的な真実を科学的に解明します。
著者ロブソンは、ノーベル賞受賞者の失敗から医師の誤診まで豊富な事例を分析。IQや学歴だけでは防げない「認知バイアス」の正体を暴きます。自分の知識を過信し、批判的思考を怠ることで、むしろ賢い人ほど大きな過ちを犯しやすいという逆説。
本書が提示するのは単なる警告ではありません。「メタ認知」「知的謙虚さ」など、真の賢さを身につける具体的方法も満載。ビジネスでの意思決定、投資判断、日常生活まで、あらゆる場面で役立つ実践的な知恵が詰まっています。
「自分は大丈夫」と思っている人ほど読むべき一冊。知性の限界を知ることで、本当の知性が身につきます。

生成AI時代の羅針盤となる決定版。東京大学松尾・岩澤研究室が総力を結集し、生成AI最新動向を徹底解説。ChatGPT登場以降、急速に進化する生成AI技術の現在地と未来を、日本を代表するAI研究者たちが包括的に分析しています。
2025年3月刊行、技術の核心からビジネス活用、国内外の法規制、そして安全性に至るまで、今知るべき情報を網羅的に解説。AIエージェントやマルチモーダル化といった最新トレンドも押さえています。
生成AIビジネスに関わるすべての方にとって必携の一冊。激動するAI業界で確かな判断を下すために、信頼できる情報源です。