コンテンツへスキップ
ライブラリの全資料

株式・暗号資産市場におけるAI投資：証拠と限界

記事 arXiv papers · 著者: Linsen Zhu et al.
原文を読む

サマリー

このレビューは、株式、ETF、中央集権型暗号資産市場、無期限先物、オンチェーン活動におけるAIの応用を評価しています。投資リターンに至る道筋を、時点整合的なデータから信頼できるシグナルを得て、実行可能なポジションと注文を組み立て、コスト控除後にリスク調整済みのプラスの成績を上げる一連の過程として捉えています。調査対象には、機械学習、時系列モデルと言語モデル、強化学習、自動エージェントが含まれます。報告された進展は、予測、テキスト分析、ポートフォリオ設計、調査ワークフローで最も顕著です。

一方、長期的な純利益を示す公開証拠は少ないとレビューは指摘しています。データリーケージ、戦略の繰り返し選択、生存者バイアス、不適切な比較、取引コスト、取引所の制約、限定的な運用規模により、過去の成績が損なわれる可能性があります。また、予測力の低下、修正された先読みエラー、まちまちな将来検証結果、監査済みの実資金運用証拠の少なさにも触れています。現物、無期限先物、分散型市場ではキャッシュフローと執行条件が異なるため、暗号資産には市場ごとの分析が必要です。異なる相場環境や運用規模を通じて持続的な純アルファを示したAI手法は確認されていないとレビューは結論づけています。より適切な評価には、時点整合的な入力、取引判断に結びつく目的関数、ポートフォリオと執行を組み合わせた検証、管理された適応、前向き評価、適切なガバナンスが必要です。こうした実践は証拠の質を高めますが、リターンを保証するものではありません。

主なアイデア

  • AIの能力は、持続的な収益性の実証よりも、予測やワークフロー支援で進展しています。
  • 実用的な投資シグナルは、時点情報から執行可能なコスト調整後リターンに至る各段階を通過する必要があります。
  • データ汚染、選択効果、弱いベンチマーク、実装上の摩擦、運用規模は、過去の成績を損なう可能性があります。
  • 株式と暗号資産の証拠は、それぞれ異なる市場構造とキャッシュフローを踏まえて解釈する必要があります。
  • 前向きテストと、ポートフォリオ・執行・ガバナンスを組み合わせた評価は、利益を保証せずに主張の裏付けを強めます。

タグ

機械学習バックテスト注文執行リスク管理暗号資産株式
全文
# 2609.04917


# Artificial Intelligence in Equity and Crypto Markets: Progress, Profitability Evidence, and the Limits of Automated Investing









Artificial intelligence (AI) now supports investment workflows from data and prediction through research, portfolios, execution, and tool use. Technical capability, however, is not evidence of investment profitability. This critical state-of-the-art review examines public research available through 31 August 2026 on listed equities, exchange-traded funds, centralized crypto spot, perpetual futures, and on-chain markets. We organize evidence with an alpha-translation chain: point-in-time information must yield a stable signal, feasible positions, executable orders, and risk-adjusted returns after costs. Across machine learning, time-series foundation models, financial language models, reinforcement learning, and agents, the examined record shows real but mainly upstream progress in prediction, text processing, portfolio design, and workflow integration. Evidence is thinner for durable net performance. Temporal contamination, repeated selection, survivorship, weak benchmarks, implementation costs, venue mechanics, and capacity can break translation to net alpha. Strong historical results coexist with predictor decay, corrected look-ahead failures, mixed prospective evidence, and few audited live-capital records. Crypto adds informative state but requires separate treatment of spot, perpetual, and decentralized cash flows and execution. Within the public evidence examined here, no general AI architecture is shown to deliver persistent, cross-regime, capacity-aware net alpha. More credible claims require point-in-time data and models, decision-aligned objectives, joint portfolio--execution evaluation, controlled adaptation, prospective tests, and authority-matched governance. These conditions can improve evidence and implementation; they do not guarantee profit.

出典を明記したうえで、ライセンスに従って全文を掲載しています。 ライセンス: abstract CC0

この要約は原文をもとにStratmillのリサーチエージェントが作成したもので、出典の複製ではありません。