AI による「市場の同質化」が招くシステミックリスク
1. どんな論文？
AI が金融市場に普及すると、投資判断が同質化し、些細なショックが暴落へとつながるシステミックリスク（金融システム全体の連鎖的な危機）を増幅させることを理論とデータから示した研究です。AI の同質化がどのようにリスクを生むのか、そのメカニズムに新たな地平を切り拓くユニークな視点を持っています。
2. AI は市場の多様性を奪うのか
私たちは投資分析を行うとき、ニュース記事やレポート、決算書や株価のチャート等様々なデータを活用しています。 かつては、投資家それぞれの異なる相場観や分析手法が市場の多様性を生み出し、価格の安定が保たれていました。
ですが近年では、複数の情報をまとめて解析できるマルチモーダル LLM（大規模言語モデル）が登場し、多くの市場参加者が同じようなアルゴリズムに依存するようになりつつあります。今回の論文では、市場参加者が同じような AI モデルに依存することで投資行動が同質化し、予測不能な暴落を引き起こすリスクについて警告しています。
市場に潜む AI の「群集心理」がどのようなメカニズムで暴走するのか、その正体を紐解いていきましょう。
3. 論文の解説
この論文は New York University に所属する Shuchen Meng と Xupeng Chen による研究です。
AI の普及と暴落の関係
AI が市場に普及すれば、効率性が高まり日々のボラティリティ（価格変動の大きさ）は下がって、投資環境は安定すると信じられてきました。しかし著者たちは、平時の安定の裏で 2024 年 8 月の日経平均暴落のような想定外のフラッシュクラッシュ（瞬間的な大暴落）が頻発する理由が、従来のモデルでは説明できないという壁に直面しました。これまでのシステミックリスク研究は、レバレッジの過剰やポジションの偏りばかりに注目しており、AI 特有の自己学習ループを捉えきれていなかったのです。
提案手法の核となるアイデア
著者らは、AI が自身の予測した価格を再学習する「自己実現的フィードバック」と、人間が AI に依存するあまり独自の相場観を失う「認知的依存」の概念を数理モデルに導入することでこの限界を突破しました。これは、全員が同じ最短ルートのナビを使うことで逆に大渋滞が起きる「自動運転車の群集渋滞」のような現象です。AI の予測通りに市場が動くと、AI 自身が「自分の予測は正しかった」と錯覚して異常な価格を再学習し、次もより極端な行動を取るようになります。
システミックリスク結合の数式の詳細
核心となるのはシステミックリスク結合を示す数式 r(φ) = (φ ρ β) / λ'(φ) です。分子の φ は AI 導入率、ρ は AI 間のシグナル相関、β はフィードバック強度を示し、「AI の相関した予測が現実化する力」を意味します。一方、分母の λ'(φ) は「市場の価格インパクト（市場の厚み）」を表します。AI 導入率 φ が上がると、情報を持つトレーダーの行動が予測しやすくなるため、マーケットメーカーは逆選択のリスクを下げて市場の厚みを減らします。結果として分母の λ' が低下するため、数式全体は AI 導入に伴って凸関数的に急増し、些細なショックによる危機時の損失を爆発的に増幅させるのです。このモデルは Kyle (1985) の市場構造をベースに拡張されています。
大規模なデータによる実証実験
理論を実証するため、著者らは 10,957 の機関投資家による 9,950 万件という膨大な SEC（米国証券取引委員会）提出書類データ（Form 13F）を解析しました。2013 年から 2024 年にかけてのポジションデータを用いて、AI 普及期におけるポートフォリオの同質化をコサイン類似度（データ同士がどれくらい似ているかを示す指標）で測定しています。また、EDGAR 全文検索により、AI 関連キーワードへの言及が 50 倍以上に激増していることも確認しました。
主な発見
分析の結果、AI の普及が実際にプロの投資家のポートフォリオを不気味なほど同質化させていることが確認されました。
- ポートフォリオの同質化 : AI 普及期において、機関投資家のポートフォリオの類似度が 12% 上昇し、トップ 10 保有銘柄の重複率も 37.7% から 51.9% へと増加しました。
- 危機時の群集行動 : COVID-19 ショック時（2020Q2-Q3）には類似度が非危機時から 34.9% も跳ね上がりました。
- テールリスクの増幅 : 構造推定により、AI の自己実現的ループによってテールリスク（発生確率は低いが甚大な被害をもたらすリスク）が最大で 54% も増幅されると算定されました。
- 嵐の前の静けさ : AI モノカルチャー（多様性が失われた状態）では、平時のボラティリティは下がるが、危機時の損失規模は 1.32 倍に上昇することが判明しました。
4. 思ったこと
- 研究系譜への位置づけが秀逸 : これまでの行動ファイナンスの流れを汲みつつ、人間ではなく「AI アルゴリズムの行動」に焦点を当てた点が非常に現代的で、現代の市場構造をよく捉えていると感じました。
- 高頻度取引の動態には限界も : 四半期ごとの 13F データを用いているため、フラッシュクラッシュのような日中の秒単位の群集行動を直接捉えきれていない点はネックですね。
- 実務への示唆 : AI が一斉に売りを浴びせるパニックの底は、ファンダメンタルズからの過剰な乖離（オーバーシュート）を生むため、人間にとっては逆張りのエントリーポイントとして活用できる可能性を感じます。
- 不可逆性の恐ろしさ : 一度 AI に依存して人間のスキルが落ちると、AI の使用をやめてもすぐには元の状態に戻れないという指摘は、投資家自身のスキルの維持という観点でも重要な教訓です。
5. 検証してみました
論文の主張、私も試してみました。
今回は論文発表時からの LLM の進化にも期待し、汎用的なモデルを使って AI のポートフォリオがどのように同質化するのかにチャレンジしました。
結果、異なる AI や投資スタイルを与えても、予測は特定の資産に強く収束することが確認できました。
それぞれの手法や条件の概要は以下の通りです。
- within-model（同一モデル内） : 同じ AI モデルに対して異なるペルソナ（順張りや逆張りなど）を与えた場合の類似度。ペルソナの多様性がどれだけ機能するかを測ります。
- across-model（同一ペルソナ内） : 異なる AI モデルに対して同じペルソナを与えた場合の類似度。モデル間の意見の一致度を測ります。
- 独立配分（ベースライン） : 各エージェントが完全にランダムに資産を配分した場合の理論値。
| 指標 | 値 |
|---|---|
| 平均ペアワイズ・コサイン類似度（同質化指数） | 0.474 |
| 独立配分のベースライン | 0.000 |
| 平均ポートフォリオ分散 (1 − 平均コサイン) | 0.526 |
| トップ資産の集中度（crowding） | 54% |
| within-model コサイン（同一モデル×異ペルソナ） | 0.489 |
| across-model コサイン（同一ペルソナ×異モデル） | 0.741 |
| 全会一致時の誤り率（共倒れ率） | 0% |
16 エージェントの配分ベクトルの平均ペアワイズ・コサイン類似度とトップ資産集中度を比較した図。多様なモデルやペルソナを与えても、配分が独立基準を大きく上回って収束しています。
この結果から、AI に多様なペルソナを与えても、最終的な投資判断は似通ってしまうことが分かります。とくに、異なるモデル間でも同じペルソナを与えると類似度が 0.741 に達し、多様性の付与だけでは同質化を防げないことが浮き彫りになりました。全会一致で予測が揃ったケースの誤り率は 0% でしたが、皆が同じポジションに傾く「出口の狭さ」はシステミックな脆弱性を示唆しています。
同一モデル内と同一ペルソナ内の類似度を対比した図。ペルソナで与えた多様性が表層的であることを示しています。
最も同質化したシナリオでの各エージェントの資産配分ウェイトのヒートマップ。行（エージェント）が違っても列（資産）の濃淡が似通っています。
どのような環境で同質化は強まるのか
では、AI たちはどのような相場環境のときに最も意見が揃うのでしょうか。エージェント群のポートフォリオ分散（意見のバラつき。小さいほど同質化が強い）と、イベント当日の市場状態指標との相関を調べました。
| 市場状態指標（T 時点） | 分散との相関 r | 有効n |
|---|---|---|
| 日経VI | -0.01 | 20 |
| VIX | -0.12 | 20 |
| TOPIX実現ボラ21 | -0.03 | 20 |
| TOPIX実現ボラ63 | -0.04 | 20 |
| TOPIX60日トレンド | +0.36 | 20 |
| ドル円20日変化 | +0.06 | 20 |
| 米10年金利20日変化 | +0.07 | 20 |
| BOJ変更後日数 | +0.14 | 20 |
各市場指標と分散の相関を示した図。正の値は分散が大きい（同質化が弱い）ことを示します。
最も強く分散と連動したのは「TOPIX 60 日トレンド（過去 60 日間の株価の方向性）」でした。相関係数 r = +0.36 となっており、この指標が高い局面ほど分散が大きく、同質化が弱まる傾向がありました。明確なトレンドがあるときは、順張り AI と逆張り AI で意見が分かれやすいと読み取れます。
TOPIX 60 日トレンドとポートフォリオ分散の関係を示す散布図。
イベント種別による同質化の違い
さらに、イベントの種別や規模によって同質化の強さがどう変わるかも確認しました。
| 観点 | 区分 | n | 平均分散 | 平均コサイン | crowding |
|---|---|---|---|---|---|
| イベント種別 | 金融政策 | 6 | 0.500 | 0.500 | 56% |
| イベント種別 | 経済指標 | 13 | 0.535 | 0.465 | 53% |
| イベント種別 | 地政学 | 1 | 0.561 | 0.439 | 62% |
| 地域 | 国内 | 5 | 0.546 | 0.454 | 59% |
| 地域 | 海外 | 15 | 0.519 | 0.481 | 53% |
| 実現方向 | 上昇 | 7 | 0.564 | 0.436 | 53% |
| 実現方向 | 下落 | 8 | 0.485 | 0.515 | 52% |
| 実現方向 | 横ばい | 5 | 0.537 | 0.463 | 60% |
| 変動規模 | 平穏(<0.5%) | 5 | 0.537 | 0.463 | 60% |
| 変動規模 | 通常(0.5–2%) | 9 | 0.535 | 0.465 | 56% |
| 変動規模 | 急変(>2%) | 6 | 0.502 | 0.498 | 47% |
イベント種別ごとの分散を比較した図。金融政策のイベントでとくに意見が揃いやすいことが分かります。
結果として、金融政策の発表時や海外発のイベントにおいて、AI の配分が最も強く同質化することが分かりました。たとえば、2024年8月1日の金融政策シナリオでは、順張りAIも逆張りAIも一様にリスクオフの動きを見せ、日本株のショートに収束する傾向が観察されました。皆が同じマクロ経済指標を見て同じように判断を下すため、出口の狭い一方向のトレードに傾きやすいようです。サンプル数が少ないため断定はできませんが、AI が一斉に同じ方向へ動くリスクを想定しておくことは重要ですね。
6. まとめ
- やったこと : AI の普及がもたらすポートフォリオの同質化リスクについて論文を解説し、実際に複数 LLM を用いて同質化が起きる条件を検証しました。
- 分かったこと : 異なる AI やペルソナを用いても予測は特定の資産に収束しやすく、とくに金融政策のイベントなどで同質化が強まる傾向が確認できました。実際の市場の動きは他の要素にも左右されるため完璧な予測は難しいですが、1 つの参考資料としては利用できそうです。
- これから気になること : AI の思考の偏りを事前に検知して、皆が同じ方向へ向かう前にアラートを出してくれるようなリスク管理ツールが作れるかもしれません。