本記事には広告（PR）が含まれています。
「ChatGPTに株のおすすめを聞いてみたけど、なんとなく不安」
「AIが投資判断までしてくれる時代って、本当に来てるの？」
そんな方に知ってほしいのが、いま海外の研究者やエンジニアの間で注目されている Trading Agents（トレーディングエージェンツ） です。
ひとことで言えば、「AI証券会社をパソコンの中にまるごと作る」仕組みです。複数のAIがそれぞれ違う役割を担当して、人間の証券会社の朝会のように議論しながら、株の売買を決めていきます。
GitHub（プログラムを公開する場所）でのスター数（人気投票のようなもの）は 6.8万を突破。学術論文も発表されており、AppleやGoogleなどの大型株で実際の値動きを上回る運用成績を記録したことで話題になりました。
この記事では、Trading Agentsの仕組みを、プログラミングや金融に詳しくない方でも追えるようにやさしく解説します。
- Trading Agents（トレーディングエージェンツ）の正体と、なぜ今注目されているのか
- 「7人のAI社員」として動くマルチエージェントの仕組み
- 公式バックテストで Buy & Hold を最大+30ポイント上回った実績
- マルチエージェントが効く3つの技術的な理由
- データを扱う仕事の人にとって普段のスキルがそのまま活きる理由
- 実際に試すための3ステップと注意点
 Ｗｉｎスクール | 【初心者向け】 ・20～30代におすすめ ・データ分析・AIに特化 公式サイトで無料登録する |
|---|
まず3行でまとめると
- Trading Agentsは、役割の違う複数のAIが議論して株の売買を決める仕組み（マルチエージェント）
- 公式テストでは、Buy & Hold（買って持ち続ける戦略）を最大で30ポイント以上上回る成績を記録
- データを扱う仕事をしている人にとっては、「AIを役割分担させる」考え方は普段の業務とそっくりで、新しいキャリアチャンスになる
TradingAgentsとは何か
ひとことで言うと
Trading Agents（正式名称：TradingAgents）は、米国の研究グループ Tauric Research（タウリック・リサーチ） が公開した、複数のAIが協力して株の売買判断を行うソフトウェアです。
公式サイトではこう説明されています。
複数のLLMエージェントが、実在の証券会社の組織構造を真似して協力し、株式の売買判断を行うフレームワーク
少し用語を補足すると、
- LLM（Large Language Model／大規模言語モデル）：ChatGPTやClaude、Geminiなどの「文章を理解して返事ができるAI」のこと
- エージェント：自分で判断して行動できるAI。チャットボットのように単に答えるだけでなく、ツールを使ったり調べ物をしたりできる
- フレームワーク：「プログラムの土台」のこと。レンガが組み合わさった建物の枠組みのようなもの
つまり、「複数のAIに、証券会社の社員のような役割を与えて、チームとして動かす」プログラムの土台ということです。
従来のAI投資ツールとの違い
これまでの「投資AI」は、本質的にはよく出来た検索エンジンでした。
- 人間「Apple株、買い時かな？」
- AI「過去データを見ると、◯日後に△%上昇する確率は××%です」
- 人間がそれを参考に決断する
Trading Agentsは、この関係を一歩進めます。
- 人間「Apple株を分析して」と依頼するだけ
- AI同士でファンダメンタル・ニュース・SNS・チャートを役割分担して調査
- AI同士で「買うべき派 vs 売るべき派」が議論
- 最終的に売買の判断を出す
つまり、人間が決断するのを助けるAIから、人間に代わってある程度まで決断するAIに進化したのです。
TradingAgentsを構成する「7人のAI社員」
公式の論文と実装を見ると、Trading Agentsは7つの役割に分かれて動きます。実際の証券会社の組織図そのままです。
1. ファンダメンタルアナリスト（企業の中身を見るAI）
財務諸表（会社の成績表）や決算情報をもとに、「この会社の本当の価値はいくらか」を分析します。
- 入力：年次報告書、四半期決算など
- 出力：「この会社は中身が強い／弱い」のレポート
2. センチメントアナリスト（SNSの空気を読むAI）
X（旧Twitter）やReddit、StockTwitsなど、SNS上の投稿から市場の雰囲気を読み取ります。
- 入力：銘柄に関する直近のSNS投稿
- 出力：「市場心理は楽観／悲観」のスコアと根拠
3. ニュースアナリスト（ニュース記事を読むAI）
一般メディアやプレスリリース、規制発表などのニュースをAIが読み込んで解釈します。
- 入力：直近の関連ニュース、IR情報
- 出力：「このニュースは株価にプラス／マイナス」の判断
4. テクニカルアナリスト（チャートを読むAI）
株価のチャートや、移動平均、RSI、MACDなど売買のサインを示す指標を分析します。
- 入力：時系列の株価データ、出来高、テクニカル指標
- 出力：「短期トレンドは上向き／下向き」の判断
テクニカル指標とは、株価の動きから「買い時／売り時」のサインを読み取るために計算された値のこと。種類は多いですが、ここでは「チャートを数式で分析している」と理解すればOKです。
5. リサーチャー（強気派と弱気派の2人組）
ここがTrading Agentsの最大の特徴です。強気派（買うべき派）と弱気派（売るべき派）の2人のAIが、上の4人の分析結果をもとにディベートをします。
- 強気派：「ファンダメンタルもニュースも追い風。買いだ」
- 弱気派：「いやSNSは過熱気味、テクニカルも反転サインが出てる。売りだ」
実際の機関投資家会議で行われているような反対意見の戦わせ合いを、AI同士で再現します。
6. トレーダー（最終判断を下すAI）
リサーチャーの議論を踏まえて、最終的に「買う／売る／何もしない」を決めるAIです。
7. リスク管理 & ポートフォリオマネージャー（暴走を止めるAI）
トレーダーの判断を受けて、「そのポジションサイズは妥当か？」「リスクを取りすぎていないか？」をチェックする最後の砦のAIです。リスクが高すぎれば取引を止める権限を持っています。
全体の流れ
毎営業日、この7人のAIが以下の流れで動きます。
ファンダメンタル、SNSセンチメント、ニュース、テクニカルの4方向から銘柄を調査
分析結果をもとに賛成・反対の立場で議論を戦わせる
議論の結果を踏まえて売買判断を下す
ポジションサイズや分散リスクを最終確認
承認された取引を実行
人間の証券会社で朝会（モーニング・ミーティング）として行われていることを、ほぼそのまま再現したと考えるとわかりやすいです。
実験結果がすごい：Buy & Holdを大きく上回る
公式の論文と公式サイトでは、実際の市場データを使ったテスト結果が公開されています。
検証の条件
- 検証期間：2024年6月〜2024年11月の半年間
- 対象：AAPL（Apple）、GOOGL（Google親会社）、AMZN（Amazon）の3銘柄
- 比較対象：Buy & Hold（買って持ち続ける作戦）や、移動平均など昔ながらの売買ルール
バックテストとは、過去のデータを使って「もしこの戦略を採用していたらどうなっていたか」をシミュレーションすること。投資の世界では一般的な検証方法です。
結果（累積リターン＝期間中の合計利益率）
| 戦略 | AAPL | GOOGL | AMZN |
|---|---|---|---|
| Buy & Hold（市場平均） | -5.23% | +7.78% | +17.11% |
| 昔ながらのテクニカル戦略（最良値） | +2.05% | +6.23% | +11.01% |
| TradingAgents | +26.62% | +24.36% | +23.21% |
この数字がどれくらいすごいか
たとえばAppleの場合、半年間でBuy & Holdなら-5.23%（つまり損失）でした。同じ期間にTradingAgentsは+26.62%（つまり利益）を出しています。
差は実に31.85ポイント。仮に100万円を運用していたとすれば、Buy & Holdでは約95万円に減っていたところ、TradingAgentsでは約127万円になっていた計算です。
リスクの面でも優秀
リターン（利益）が高いだけでなく、「途中でどれだけ大きく値下がりしたか（最大ドローダウン）」も低く抑えられていることが論文で示されています。「ハイリスク・ハイリターン」ではなく、「リスクを取った分だけ報われる、効率の良い運用」になっているということです。
ただし、バックテストの結果は将来の利益を保証するものではありません。実際の投資では：
- 売買手数料がかかる
- 売り買いの注文が思った価格で通らない（スリッページ）
- 市場が想定外の動き（暴落など）をする
- AIに渡すデータが期間中に変化する
など、論文には反映しきれない要因が多数あります。「過去の数字に踊らされず、慎重に評価する」ことが投資では何より大切です。
なぜマルチエージェントが効くのか
「ChatGPTみたいに1つの賢いAIに全部任せれば同じでは？」と思った方もいるかもしれません。実は、ここにマルチエージェントの最大の強みがあります。
1. 役割を分けると、それぞれが本領を発揮できる
人間でも、財務諸表の専門家とSNS分析の専門家とチャート分析の専門家を全部1人にやらせるのは無理がありますよね。AIにも同じことが言えるのです。
LLM（AI）には「コンテキストウィンドウ」という、一度に頭に入れられる情報量の上限があります。あれもこれも詰め込みすぎると、重要な情報を見落としやすくなることが研究でわかっています。
役割を分けて担当領域だけを集中させると、それぞれのAIがその領域で本来の力を発揮できるのです。
2. AIどうしの議論で「思い込み」を防げる
AIにはハルシネーション（もっともらしい嘘をつく現象）があります。
強気派と弱気派が議論する仕組みになっていれば、片方が嘘をついても、もう片方が「いや、それは違う」と反論してくれます。これは、人間の会議で複数の意見が出ることで誤った判断を減らすメカニズムと同じです。
3. 後から「なぜその判断にしたか」を追える
ディープラーニングのAIは「ブラックボックス（中身が見えない箱）」と言われ、「なぜそう判断したのか」を説明できないのが弱点でした。
Trading Agentsは違います。全エージェントの議論ログが自然な日本語／英語で残るため、後から「ファンダメンタル分析でこういう懸念が出て、リサーチャーがこう議論して、トレーダーがこう判断した」と追跡できます。
これは、お金を扱う金融業界で必須のコンプライアンス（法令順守）の観点でも大事なポイントです。
データを扱う仕事の人にとっての見方
ここはdata-engineering.jp として特に共有したい視点です。Trading Agentsの設計思想は、データを扱う仕事の発想とそっくりなのです。
マルチエージェント＝「データを処理する流れ」と同じ
会社のデータを扱う現場では、こんなふうにデータを処理しています。
- データベースから集めて整える（ETL：Extract / Transform / Load）
- 集計する（dbtなどのツール）
- 分析する／レポート化する
- 品質チェックする
Trading Agentsの構造は、これとほとんど同じです。
| データを扱う現場 | Trading Agents |
|---|---|
| データベース→整理 | ファンダメンタル分析 |
| API→ニュース整理 | ニュース分析 |
| ストリーム→SNS整理 | SNSセンチメント分析 |
| 集計（dbtなど） | リサーチャーの議論 |
| 最終データ表 | トレーダーの売買判断 |
| データ品質テスト | リスク管理エージェント |
つまり、Trading Agentsは「LLMで動かすデータパイプライン」なのです。違いは、各ステージが SQL/Python ではなく LLM プロンプトで動いている点だけ。
普段のスキルがそのまま活きる
データエンジニアやアナリティクスエンジニアの方が普段やっている、
- データを保存する場所を設計する
- ノイズを除く（クレンジング）
- 必要な時に必要な情報を取り出す
- 結果の品質をテストする
- ログを取って監視する
これらすべてが、マルチエージェントAIシステムの開発でもそのまま使えるスキルです。
金融×データの新しいキャリア機会
クオンツ（金融工学を駆使するエンジニア）や量的ストラテジスト（クオンツデベロッパー）といった職種は、もともと年収が高い領域として知られています。Trading Agentsのようなシステムを実装できる人は、これからますます価値が高まります。
「データエンジニアの仕事はAIに奪われる」のではありません。「AIシステムを設計し、運用する責任を持つ人」が、データエンジニアの新しい主戦場になっていきます。
実際に試してみるには：3ステップ
「自分でも触ってみたい」という方向けに、Tauric Researchの公式リポジトリ（GitHub: TauricResearch/TradingAgents）の使い方の流れをご紹介します。
Pythonというプログラミング言語の実行環境を用意し、リポジトリ（プログラム一式）をダウンロードします。
git clone https://github.com/TauricResearch/TradingAgents.git cd TradingAgents pip install -r requirements.txt
OpenAI（ChatGPT）、Anthropic（Claude）、Google（Gemini）など、利用したいAIサービスのAPIキー（パスワードのようなもの）を設定します。あわせて、株価データやニュースを取得する有料サービスのキーも必要です。
数行のPythonコードでフレームワークを起動できます。
from tradingagents.graph import TradingAgentsGraph
ta = TradingAgentsGraph(debug=True)
result = ta.propagate("AAPL", "2024-06-01")
print(result)
実行すると、各AIエージェントの分析結果と最終的な売買判断が、自然な文章のレポートとしてターミナル（黒い画面）に表示されます。
- 取引APIとの接続は別途必要：実際に証券会社に注文を出す部分は自分で実装する必要があります（Trading Agentsはあくまで「判断を下すまで」の役割）
- AIの利用料金がかかる：1銘柄1日の判定で数十円〜数百円のAPI料金がかかります。多くの銘柄を毎日試すと、月数千円〜数万円になることも
- 必ず少額から：論文の数字を信じきって大金を入れるのは危険です。最初はテスト環境（紙の上のシミュレーション）から始めましょう
国内の事例：GMOインターネット研究開発本部
日本国内でも興味深い事例があります。GMOインターネットグループの研究開発本部が2025年4月に公開した記事「AIエージェントで金融取引予測モデルを作ってみた」です。
GMOの事例は、Trading Agentsそのものではなく独自のマルチエージェント構成で、こんな取り組みをしています。
- コードを書くAI（クオンツ役）：問題とデータが与えられ、Pythonで株価予測モデルのプログラムを作成
- レビューするAI（チーフクオンツ役）：上のAIが書いたコードを評価してダメ出し
この2つのAIを何度もやり取りさせることで、最終的に機械学習による日本株売買予測モデルのプログラムを自動で作ることに成功しました。
注目したいのは、実装中にぶつかった問題が「データを扱う現場の本業の問題」とそっくりだった点です。
- AIが書くコードに構文エラーが含まれる
- ログ（実行記録）の出力が不十分でデバッグが難しい
- 機械学習モデルの評価方法が適切ではない
GMOの記事はこう締めくくっています。
AIエージェントの技術でもそれは繰り返される、つまり、人間がお世話をしてあげる部分が仕事として残っていくのではないか
「AIに仕事を奪われる」のではなく、「AIに質の高い仕事をさせる人」が、これからの主戦場になる──これは、現場の事例が示す重要なメッセージです。
TradingAgentsの限界と注意点
派手な数字に目を奪われがちですが、本気で実運用を考えるなら以下も知っておきましょう。
1. テスト期間が短い
公式のテストは半年程度。強気相場・弱気相場・横ばい相場のすべてを経験したわけではないため、市場の局面が変わると性能が落ちる可能性があります。
2. AIが「未来を知っている」可能性
Trading Agentsが使うAI（GPT-4oなど）は、テスト期間より後の情報をすでに学習している可能性があります。「2024年6月時点で iPhone 16 の発表内容を知っているはずがないのに、AIは知っている」という問題です。
論文ではこの点に配慮した設計だと述べられていますが、完全に検証するのは技術的に難しいのが実情です。
3. 実環境のコストが反映されていない
論文のシミュレーションには、売買手数料やスリッページ（注文が想定価格で約定しない問題）が完全には織り込まれていません。実環境ではこれらで成績が下振れすることがあります。
4. AIの利用料金
各エージェントが何度もAIを呼び出すため、多くの銘柄を毎日判定すると料金が膨らみます。本格運用では、ローカルで動かせるAIモデルや、結果を再利用する仕組み（キャッシング）の検討が必要です。
5. 法律・規制の問題
国によっては、AIによる自動売買に金融商品取引業の登録が必要です。日本では、他人の資金を運用する場合は金融商品取引法の対象になる可能性があるため、自己資金での研究目的に限定するのが安全です。
よくある質問
Q. Trading Agentsはどこから入手できますか？
GitHub（プログラムを公開する場所）の TauricResearch/TradingAgents というページで無料公開されています。Apache License 2.0というライセンスなので、商用利用も可能です。
Q. 動かすのに必要なスキルは？
Pythonの基礎、AIサービスのAPI利用経験があると始めやすいです。プログラミング初心者の方は、まず公式の解説記事や動画を読むだけでも、AIマルチエージェントの考え方を学べます。
Q. 日本株でも使えますか？
公式のデモは米国株が中心ですが、データソース（株価データやニュース）を日本株に対応したものに差し替えれば動きます。ただし、SNS分析エージェントは日本語特有の調整が必要です。
Q. 仮想通貨にも応用できますか？
技術的には可能です。実際にBitcoinやEthereum向けに改造したフォーク（派生プロジェクト）も存在します。ただし、暗号資産は規制環境が国によって大きく違うので、コンプライアンス確認は必須です。
Q. AIに任せるなら人間は何をすればいいの？
エージェントの設計、チューニング（調整）、監視、そして最終責任を持つことです。AIが暴走しないようリスク許容度を設計し、想定外の挙動を見つける仕組みを作るのは、引き続き人間の仕事です。
Q. 投資で必ず勝てるようになりますか？
なりません。過去のテストで好成績だったとしても、将来の成績は誰にもわかりません。Trading Agentsはあくまで判断の質を上げる道具であり、儲かることを保証する魔法の機械ではないことを忘れないでください。
まとめ：TradingAgentsから見える「AI×データ」の未来
Trading Agents は、単なる「AI投資ツール」ではありません。マルチエージェントLLMという最先端技術が、金融という極めて要件の厳しい領域で実用に近づいていることを示す象徴的なプロジェクトです。
本記事のポイントを最後にまとめます。
- Trading Agents は、複数のAIが役割分担してチームで売買を判断するマルチエージェント金融取引フレームワーク
- 7つの役割（アナリスト4人＋リサーチャー2人＋トレーダー＋リスク管理）が議論し売買判断を下す
- 公式テストで、Buy & Holdを最大+30ポイント以上上回る運用成績を記録
- 「マルチエージェント＝役割分担されたデータパイプライン」と考えると、データを扱う仕事の経験がそのまま活きる
- 国内でもGMO研究開発本部などが類似アプローチを実装中
- 実運用にはAPI料金、規制、テストのバイアスなどの注意点もある
「AIに投資を任せる時代」が、すぐそこまで来ています。この技術の中身を理解しておくことは、投資家としても、エンジニアとしても、これから大きな武器になるはずです。
この記事と一緒に読みたい
参考にした一次ソース
- TradingAgents 公式サイト（Tauric Research）
- GitHub: TauricResearch/TradingAgents
- GMOインターネット 研究開発本部「AIエージェントで金融取引予測モデルを作ってみた」（2025年4月）
Ｗｉｎスクール | 【初心者向け】 ・20～30代におすすめ ・データ分析・AIに特化 公式サイトで無料登録する |
|---|
コメント