岩壷健太郎

Economist. Professor of Finance, Kobe Univ. ほとんど呟きません。

[岩壷健太郎 @iwatty]

@kurousa_trader ありがとうございます😊

[岩壷健太郎 @iwatty]

@writerIshii ありがとうございます😊

[岩壷健太郎 @iwatty]

@fxbaccarat ありがとうございます😊ご感想をお聞かせください。

[ノア｜株式投資歴16年 @noirinvestor]

5番だけでもできてればどんなアホでも年収300万は増えるよ

[香坂（Kousaka） | コーポレートガバナンス・コンサルティング ＆ パートナー @kousaka_w]

5年ぶりに改訂されるコーポレートガバナンス・コードの改訂のポイント３点について、ビジネスパーソンや個人投資家の方がさくっと読めるよう１分解説をnoteに投稿しました。以下になります↓
https://t.co/C3g4ylC9nf

[Taka:「起業のコーポレート業務」執筆者 @taka_startup]

MUFGによる「人手不足の実状と高圧経済政策について」はGW中必読のレポート。

AIとロボティクス浸透により、2040年にどの職種・学歴で人材余剰・不足が生まれるか分析しており、日本の産業と労働の構造について理解が深まる。

前編：
https://t.co/0X2VOm2e2H

後半：
https://t.co/nHXoXrFzeM

[Manisha Mishra @manishamishra24]

Instead of watching an hour of Netflix, watch this 2 hour hour Stanford lecture will teach you more about how LLMs like ChatGPT and Claude are built than most people working at top AI companies learn in their entire careers.

[Luis Enzo @techluisenzo]

🚨 Stop using Claude like it’s ChatGPT — they’re completely different tools.

Here’s how to set it up the right way in just 10 minutes 📸

(Save this for later 🔖)

[おさぼり @1osabori]

Anthropic公式が「Claude Codeで会社作る仕組み」まるごと公開してて草www

社長：人間1人（寝るだけ）
社員：AI複数体
業務：AIが勝手に分担して進める

これもう完全に労働キャンセルやん…
作り方の手順、日本語でまとめたから時間ある時読んで⤵︎

寝てる間にAIに稼がせたい人はブクマ推奨やで！

[サステップ @susteps_jp]

〈先進企業がなぜ？〉花王に迫る"ESGリスク"､物言う株主が臨時株主総会で圧力｢原料供給網｣とガバナンスめぐり対立 #東洋経済オンライン @Toyokeizai https://t.co/p3sfKG17bw

「金儲けのことしか考えてない人たち（ファンド）が、いきなり環境だ、人権だ、地球だと言い始めた」
環境NGO代表は、今回の株主提案を驚きをもって受け止める

[羽深宏樹 Hiroki Habuka @HabukaHiroki]

【解説】AIエージェントのガバナンス: International Safety Report 2026を読む

2026年2月、AIガバナンスにとって最も重要な国際文書のひとつ、「International AI Safety Report 2026」が公表されました。英国のAI Security Institute と、AIのゴッドファーザーことヨシュア・ベンジオ教授率いるMilaの主導のもと、30以上の国・国際機関から100名超のAI専門家が策定に貢献した報告書です。

第二弾となる今年は、AIエージェントに特に重点を置いた記述がなされました。が、これが全220ページと、長い長い・・・

というわけで、その内容を分かりやすく上下の２回で 宮原 瑞穂さんにまとめていただきました。これをお読みいただければ、AIエージェントのリスクとガバナンスに関する国際的な最先端のアジェンダに触れていただけると思います。ぜひお読みいただければ幸いです。

そして！！

この原文レポートの主筆を務められたStephen Clare氏が、今年の京都のサマープログラムにスピーカーとして来日されます。本レポートにご関心を持たれた方は、ぜひ京都のサマープログラムのご参加もご検討くださいませ。

リリース：https://t.co/iXl5vnDiDi
記事（上）AIエージェントとは何か—その能力と限界：https://t.co/vjIrHEvfpf
記事（下）AIエージェントのリスクと対策：https://t.co/ErkGWDlhSE

京都サマープログラム：https://t.co/4hsNc1oDCB

[市川佳彦 @Yoshihiko_ICKW]

「大規模言語モデルを用いた証券アナリストの専門的分析観点の再現可能性の検証」を聞きました。 LLMを使って証券アナリストの「専門的な分析観点」をどこまで再現できるかを検証し、知識グラフを用いたGraphRAGが最も人間に近い出力を達成した！という研究です。

こちらの研究です。
中田喜之, 鹿子木亨紀, 2026-FIN-036-34 大規模言語モデルを用いた証券アナリストの専門的分析観点の再現可能性の検証, 人工知能学会第二種研究会資料（金融情報学研究会）, 2026, FIN-036巻, 34, p. 219-226, https://t.co/suTDtwUGrJ

【概要】
決算短信から投資判断（買い・中立・売り）と分析コメントをLLMで生成し、人間のアナリストの専門性をどの程度再現できるかを検証した研究。 対象はTOPIX1000構成銘柄。プロンプトエンジニアリング、GraphRAG、ファインチューニングなどの手法を比較し、意味的類似性、専門用語の分布、トピック分布の3軸から定量的に評価しています。

【分析1：AIに潜む「業種別バイアス」】
まず投資レーティングの分布を見ると、どのAI手法でも「情報通信・サービス業」に買い推奨が集中し、「自動車・輸送機」に売り推奨が偏るというバイアスが確認されました。 専門用語を取り込むなどの工夫をしてもこの傾向は変わらず、ベースモデルが持つ何らかの偏りが影響していることが示唆されています。

【分析2：専門用語の再現は「GraphRAG」が優秀】
各アプローチを比較した結果、業種特有用語の使用率において、過去のレポートから構築した知識グラフを用いる「GraphRAG」が人間の平均（0.158）に最も近い数値（0.168）を記録しました。 単なるプロンプトの工夫（SimpleやFew-shot）では人間の6〜8割の水準にとどまっており、企業や業種間の構造的な関係性を考慮して専門的な観点を抽出・提示する仕組みが極めて有効であることがわかります。

【分析3：AIは「網羅的」すぎる＆「業績」に偏る】
財務項目の使用率（Diversity）を見ると、人間は業種や企業に合わせて着目する項目を絞り込むのに対し、AIはどの業種でも多様な項目を幅広く書きすぎる傾向がありました。 さらにトピック分布を分析すると、人間は「業績サマリ」「市場環境」「将来見通し」をバランスよく論じる（各20〜25%）のに対し、AIは「業績サマリ（売上や利益）」に60〜70%も言及が集中してしまいます。AIは過去の数字に依存しがちで、業界動向や経営戦略などを加味した多角的な推論が苦手であるという弱点が浮き彫りになりました。

【分析4：ファインチューニングの可能性】
ローカルLLM（gpt-oss-20B）を用いたファインチューニングでは、ベースモデルの性能不足もあり、専門用語の指標などはあまり改善しませんでした。 しかし、人間のように着目する財務項目を絞り込む傾向を獲得し、トピック分布の差異も最も人間（アナリスト）に近い結果を示しました。文章生成全体ではなく、観点抽出などの特定タスクに特化させれば活用できる可能性があります。

【まとめ】
LLMにアナリストの専門性を模倣させるには、GraphRAGなどを使い「専門的な観点を抽出してプロンプトに組み込む」アプローチが有効です。しかし、人間の多角的な分析力（トピックの多様性）や意味的類似性の完全な再現には至っておらず、AIによる完全自律的な企業評価にはまだ技術的な壁がある、という実務的な示唆に富む結論となっています。

[加藤まさひろ @kato_jp]

平均処置効果の推定を，線形回帰からノンパラメトリック回帰に拡張して行なうことで，より因果推論っぽく仕上げていきます

https://t.co/zbHePugVFn

[Shuichi KAWASHIMA @kswith]

「学生は、教員の説明内容だけから学んでいるわけではありません。教員がどのように問いを立てるのか、どう文献を読むのか、どこで立ち止まるのか、どう違和感を言葉にするのか、異なる立場をどう扱うのか、わからなさをどう引き受けるのか、そうした知的態度そのものから学んでいます。」

[Nobu C. Shirai @nobucshirai]

『研究者のための生成AI活用』というタイトルの学内講演用に作成した資料を公開します。参考にして下さい。
https://t.co/lvuXx0D1Ob

[Soichi Matsuura @matsuura_rits]

日経NEEDS Financial Questの使い方を調べていたら、一橋大学の石田先生のウェブサイトにたどり着いた。貴重なコンテンツをありがとうございます。https://t.co/NOFpAc3ksL

[市川佳彦 @Yoshihiko_ICKW]

「Return Signal Momentum」を読みました。
資産の過去の「リターンの大きさ」ではなく、「リターンの符号（プラスかマイナスか）」の確率に基づく新しいモメンタム戦略（RSM）を提案し、従来の手法よりも高いリターンと低い下落リスクを実現できる！という研究です。

こちらの研究です。
Fotis Papailias, Jiadong Liu, Dimitrios D. Thomakos, Return Signal Momentum, SSRN (2019), https://t.co/PH9Zc6U41B

【概要】
従来の時系列モメンタム（TSM）やクロスセクショナルモメンタム（XSM）とは異なり、過去の「リターンの符号（勝率）」に着目したリターン・シグナル・モメンタム（RSM）の有効性を実証した研究です。
1985年から2015年までの期間において、世界で最も流動性の高い55の先物銘柄（コモディティ、為替、株価指数、国債）を対象に検証が行われました。

【分析1：リターンよりも「符号」の方が予測しやすい】
資産価格のランダムウォーク理論において、リターン自体の予測は難しいとされています。しかし本研究では、符号（プラスかマイナスか）の依存性や持続性は存在することに着目しています。
データ生成プロセスの理論的・実証的分析により、単純なリターンの合計よりも、個々のリターンの符号の方が高い自己相関を持ち、トレンドを形成しやすい（予測可能性が高い）ことが判明しました。これにより、価格の一時的な反転や市場のノイズに騙されにくくなるという利点があります。

【分析2：RSM戦略の圧倒的なパフォーマンス】
過去12ヶ月間のデータに基づき、「リターンがプラスだった月の割合（確率）」が一定の閾値を超えたら「買い（ロング）」、下回ったら「売り（ショート）」とするポートフォリオを構築しました。

・結果：最適な固定閾値（0.4、つまり勝率40%）を用いたRSMポートフォリオは、ベンチマークであるTSM（時系列モメンタム）と比べて、累積純利益が約18%増加し、最大ドローダウン（下落リスク）は約44%も縮小しました。
・意味：リターンの大きさ（極端な外れ値）に過度に影響されず、安定してトレンドに乗ることができるため、シャープレシオ（リスク調整後リターン）がベンチマークより20%も大きく向上しています。

【分析3：市場環境に連動する「動的閾値」の効果】
固定の閾値だけでなく、過去24ヶ月の最適値から「時間経過とともに変動する閾値（動的閾値）」を算出するクロスバリデーションのアプローチもテストされています。

・結果：動的閾値は、市場（S&P 500）の動きと強い「負の相関」を示しました。
・意味：市場が好調で楽観的な時は閾値が下がって「買い」のポジションを取りやすくなり、逆に金融危機などの暴落時（2001年や2008年のリーマンショック時など）には閾値が上がって投資家を保護する（ショートポジションに移行しやすくなる）見事なマーケットタイミング機能を持つことが確認されました。

【分析4：既存のリスクファクターでは説明しきれないアルファ】
RSMのリターン源泉を探るため、Fama-Frenchのファクター（サイズ、バリュー、モメンタム）などで回帰分析を実施しました。

・RSMは市場全体や既存のモメンタムファクターと正の相関を持つものの、依然として統計的に有意な「アルファ（既存ファクターで説明できない超過収益）」が存在することが判明しました。
・また、往復16bpsという現実的な取引コストを考慮したシミュレーションにおいても、従来のベンチマークを凌駕する一貫したパフォーマンスを維持しています。

【まとめ】
投資判断において、過去のリターンの「大きさ（マグニチュード）」を単純に合算する従来手法よりも、「プラスになった回数（符号の確率）」をシグナルとするアプローチの方が、よりノイズの少ない強固なトレンド捕捉が可能になるという結論です。
「極端な大暴騰・大暴落のノイズを排除し、打率（勝率）に注目するだけでポートフォリオのリターン効率は劇的に上がり、下落リスクもコントロールできる」という、実務的な示唆に富む内容です。

[とろ港区 @toro_minato]

「世の中の8割の企業は、サイバーエージェントを真似ればいい」という意見に激しく同意。

藤田晋さんが20年以上トップを走り続けられたのは、圧倒的な才能以上に、この「10の金言」にあるような人としての基礎力を組織の隅々まで徹底させたからだと思う。

①信頼は“小さな約束”の積み重ねでしか生まれない
遅刻、返信、締切。ここを舐める人間に大仕事は回らない。

②優秀さより“素直さ”のほうが強い
知らないことを「知らない」と言えない人は伸びにくい。

③3か月ガチれば、その分野の“中の人”になれる
新領域でも3か月集中で一気にトップ層に食い込める。

④タイミングは“人生最大のレバレッジ”
新卒1年目、起業初年、新規事業着手の瞬間。ここで死ぬ気で動け。

⑤目標設定は“センス”
背伸びしすぎず、小さな達成を積み重ねる人が結局組織を引っ張る。

⑥想像力＝仕事力そのもの
相手の立場・状況・欲求を“正確に想像できる人”が最強。

⑦期待値で戦え
若いうちは“大きなことを言える特権”がある。言うなら必ず達成せよ。

⑧デザインに妥協する組織は弱る
トップがクリエイティブを軽視した瞬間、クオリティが崩れる。

⑨仕事のアイデアは対話から生まれる
人との会話・雑談・飲みの場にこそ突破口がある。

⑩結局、誠実さが一番のスキル
恥をかく勇気、一生懸命やる姿勢。長期で見るとこれが全部を決める。

一つでも組織に浸透できれば、それだけで1年後の景色が変わるはず。

[Robert Youssef @rryssf]

This paper from Stanford University tackles a question that’s been debated for decades in quantitative finance: can raw market data alone meaningfully predict stock price direction, without handcrafted indicators or heavy financial feature engineering?

The author proposes a Convolutional Neural Network–based approach to predict the directional movement (bullish vs bearish) of individual S&P 500 stocks using pure multivariate price data.

Instead of technical indicators, the model consumes raw daily OHLCV data plus adjusted prices that explicitly encode dividends and stock splits, which are usually smoothed away or ignored in most academic work.

The core idea is subtle but important. Multivariate time series are treated as spatial objects, not just sequences. Each rolling window of historical prices is reshaped into a matrix that behaves like a 1D “image,” allowing CNN filters to detect local patterns such as short-term momentum, volatility shifts, and structural breaks caused by corporate actions.

This reframing borrows intuition from computer vision rather than traditional econometrics.

The dataset spans up to two decades of daily data per stock, sourced from an institutional-grade provider. Ten channels are used: open, high, low, close, volume, and their adjusted counterparts.

Sliding windows generate thousands of training samples per stock, dramatically increasing data density without synthetic augmentation. A normalization step ensures scale invariance across features.

Architecturally, the model uses a deep 1D CNN with eight convolutional layers, followed by fully connected layers and a Softmax classifier optimized with cross-entropy loss. Early layers focus on short-term price structure, while deeper layers capture longer-term trends.

Unlike LSTMs, which struggle with noisy gradients and statefulness in finance, the CNN’s localized receptive fields make it naturally robust to volatility spikes and event-driven price jumps.

The training objective is framed as a probabilistic classification task: predicting bullish or bearish movement over future horizons ranging from 2 to 30 days.

Extensive hyperparameter tuning reveals that performance depends heavily on window size, batch size, and learning rate, with Adam optimization and larger batch sizes producing the most stable convergence.

Results are where the paper becomes provocative. On several large-cap stocks, reported validation accuracies reach high-80s to low-90s percent, significantly outperforming earlier deep learning baselines trained on raw data.

JP Morgan stock, in particular, shows accuracy touching ~91% for longer forecast horizons. Loss curves and accuracy plots suggest genuine learning rather than overfitting, aided by careful train–validation splits and shuffling.

The author is careful not to overclaim. The model predicts direction, not returns, and does not directly incorporate transaction costs, slippage, or execution constraints. Still, the findings suggest that CNNs can internalize complex market mechanics directly from raw price tensors, including the non-linear distortions introduced by dividends and splits.

The broader implication is that feature engineering may be less critical than representation choice. By letting the model learn spatial relationships inside time-series windows, the approach sidesteps many subjective assumptions baked into technical indicators. The paper also hints at natural extensions: hybrid CNN–LSTM architectures, portfolio-level predictions, and integration of textual sentiment for fundamentals-aware forecasting.

In short, this work argues that treating financial time series as structured, image-like data is not a gimmick. It is a viable inductive bias that unlocks predictive signal from raw market data, challenging the long-held belief that markets are too noisy for deep learning without heavy human intervention.

Paper: S&P 500 Stock’s Movement Prediction using CNN

[Masanari Sakurai @5/28発売！『読書スタディーズ 本好きはどうつくられるのか』 @wagashi_no_yosa]

ゼミ生に送った注意書き。"AIを使ったかどうかの判断は難しいので，参考文献が架空のものであるなどの明確な証拠がなければ一発アウトとはしませんが，AIを使った／使わないに関わらず，以下の記述があった場合，その分量に応じて減点・ひどい場合は落第（これらはAIを使った際に多くみられる特徴）"→