Man Group のクオンツ責任者の言葉が心に残っています。
「課題は、データと市場関係の可能性があまりにも膨大で、人間のチームでは手作業で評価しきれないことです。」
そこで彼らは AlphaGPT を構築しました。これはシグナル仮説を生成し、コードを書き、バックテストを自律的に実行します。週に数百ものアイデアを、四半期に 20 件ではなくテストするのです。
Bridgewater はさらに進んで、AI が主要な取引判断を下す 20 億ドルのファンドを構築しました。
Jane Street は昨年、独自モデルを訓練するために GPU インフラに 60 億ドルを費やしました。
これらのシステム内部で何が動いているのか、正確に知っているふりはしません。しかし、構築している人々の公式発表は、かなり一貫したストーリーを語っており、それは「AI 取引」と聞いてほとんどの人が想像するものではありません。
勝っている企業はクオンツを置き換えているのではありません。各クオンツの生産性を約 10 倍にしているのです。
この記事は、Polymarket で同じアーキテクチャを実行するための完全なフレームワークです。
パート 1 - AI はクオンツを置き換えるのか？
誰もが間違った質問をします。
Man Group は 2025 年 7 月に AlphaGPT を公開しました。このシステムはシグナル仮説を生成し、実装コードを書き、バックテストを自律的に実行します。数十のシグナルが、人間のレビューを通過した後、実際の取引に承認されています。
定量投資における課題は、データと市場関係の可能性があまりにも膨大で、人間のチームでは手作業で評価しきれないことです。
優秀な研究チームでも、四半期に 20 のシグナルアイデアを本格的にテストするのが精一杯かもしれません。AlphaGPT は週に数百をテストします。
しかし、AlphaGPT からのシグナルが、研究者が意図的に判断を下さずに実際の資本に触れることは一つもありません。
Bridgewater は、LLM、機械学習、推論ツールを組み合わせた AI Reasoning Engine を構築しました。共同 CIO はそれを「大きな飛躍」と呼びました。しかし、リスク管理と実行は依然として人間が監督しています。
Citadel の CTO は明確に述べています。「PM に人間の投資判断を AI に丸投げしてほしくない。」
Ken Griffin 自身も、AI は効率性を高めるが、それだけで市場をアウトパフォームするリターンを生み出す可能性は低いと述べています。
勝っている企業は、クオンツの生産性を 10 倍にしています。彼らを置き換えているのではありません。
パート 2 - 真の優位性を持つ 5 つのユースケース
ユースケース 1: エージェンティック・シグナル探索
Man Group の AlphaGPT は、ループ内で 4 つのエージェントを実行します。
- エージェント 1: シグナル仮説を生成します。
- エージェント 2: 実装コードを書きます。
- エージェント 3: 純粋な挑戦者として機能します。シグナルが偽物またはオーバーフィットしている可能性のある理由をすべて見つけ出します。
- エージェント 4: バックテストを評価し、人間のレビューに送るかどうかを決定します。
Polymarket では、これは直接的に適用されます。
- エージェント 1: ニュース、関連市場、ベースレートから確率推定値を生成します。
- エージェント 2: 現在の市場価格と比較します。
- エージェント 3: 挑戦します。これが間違いであるためには何が真実でなければならないか？
- エージェント 4: 期待値を評価し、人間に Go/No-Go を送信します。
ユースケース 2: 代替データ抽出
予測市場では、FRB 高官の発言、地政学的な動き、経済指標の発表など、あらゆるものにシグナルが含まれています。AI は非構造化テキストを構造化された確率の変化に変換します。
ユースケース 3: モンテカルロ有意性検定
標準的なバックテストは、履歴の 1 つのパスのみを使用します。1 つのパスでは十分ではありません。
ユースケース 4: レジーム認識型ポジションサイジング
f_adjusted = f_kelly x regime_factor x (1 - drawdown_factor)
ユースケース 5: デプロイメントモニタリング
パート 3 - 完全なパイプライン
まだ Polymarket に参加していない場合は、こちらから始めてください: polymarket.com/?r=atlas
280 億ドルが取引されました。9,000 以上の市場。解決されたすべての契約は、モデルのための確実なデータポイントです。
6 つのステージ。5 つは自動化。1 つは常に人間。
ステージ 1 - データ取り込み: 過去の解決率、価格時系列、関連市場の相関、出来高指標。
ステージ 2 - シグナル仮説: 具体的で、検証可能であり、経済的根拠とそれが失敗する条件を含む。
ステージ 3 - 敵対的チャレンジ: 構築に時間を投資する前に仮説を破ることだけを仕事とする独立したエージェント。Man Group はこれを AlphaGPT の最も価値のある部分と呼んでいます。
ステージ 4 - ウォークフォワード・バックテスト: すべてのパラメータは、取引時に利用可能なデータのみを使用して推定されます。この単一の要件により、バックテストのパフォーマンスを水増しする最も一般的な原因が排除されます。
ステージ 5 - モンテカルロ有意性検定: あなたのシグナルが 10,000 のランダムな代替案の上位 5% に入るなら、真の優位性の証拠があります。
ステージ 6 - 人間によるレビューゲート: 自動化できません。開始する前に、システムを停止してレビューするための 3 つの条件を書き留めてください。
パート 4 - AI 以前 vs AI 以降
AI 以前:
アイデアは読書や観察から生まれました。実装コードを書くのに数時間から数日かかりました。適切なバックテストのセットアップにはさらに時間がかかりました。研究者は年間 20 の戦略を本格的にテストするかもしれません。ポジションサイジングは直感で調整されました。
AI 以降:
アイデアから厳密な評価までの時間が、数日から数時間に短縮されました。構築に時間を投資する前に、自分の仮説に対して敵対的レビューを実行します。有望なシグナルの 12 のバリエーションをテストし、直感で一つを選ぶのではなく、すべてを評価します。
Man Group はこれを正確に説明しています。テクノロジーはより多くのアイデアをテストするのに役立ちます。研究者は、実装作業に時間を費やすのではなく、自動化されたチャレンジを生き残ったシグナルの評価に時間を費やします。
特に Polymarket では、この圧縮効果はさらに価値があります。市場は決められた日に解決します。良い価格で参入できる期間は限られています。仮説から検証済みシグナルへの時間が短ければ短いほど、実際に捉えられる機会が増えます。
まとめ
AI は市場を予測しません。
AI は、取引アイデアからそのアイデアの厳密なテストまでの時間を、数日から数時間に短縮します。ほとんどの系統的トレーダーが自らの仮説に適用したことのない敵対的レビューを実行します。
Man Group: LLM は変化のペースを加速させました。しかし、彼らのクオンツは今もそこにいます。資本に届くすべてのシグナルには、研究者の承認があります。
Jane Street は、研究者の能力を増強するために GPU インフラに 60 億ドルを投資しました。彼らを置き換えるためではありません。
AI は彼らに規模をもたらしました。判断は人間に残されました。
現在、予測市場における優位性は、より良い情報ではありません。
それは、他の誰よりも速く多くのアイデアをテストし、敵対的レビューを生き残ったものだけに基づいて行動することです。
それがシステム全体です。
