群知能が暗号資産市場をより明確に捉える

説明可能なAIは暗号資産市場の予測を改善できるか

暗号資産の価格予測システムは、価格が上がるか下がるかを確実に予測できなくても、予測誤差を小さくできる。この違いは見過ごされやすいが、有望な研究ツールと、実証済みの取引戦略を分ける重要な点だ。

Applied Soft Computingへの掲載が決まった新たな研究では、群知能と解釈可能な統計ルールを組み合わせたシステムを通じて、この隔たりを探っている。¹研究者らは、暗号資産市場を価格が連続する単一の流れとして扱うのではなく、市場のさまざまな状態を識別し、それらの状態がどう移り変わるかを推定するようモデルに学習させた。

この結果は、金融分野のAIにとって有望な方向性、すなわち人が検証し、疑問を投げかけられる予測の可能性を示している。また、透明性、統計的な精度、投資収益性は、それぞれ分けて評価する必要があることも明らかにしている。

群知能が暗号資産市場の状態を学習する仕組み

このシステムは、粒子群最適化（PSO）とマルコフ予測を組み合わせている。専門用語が並ぶものの、その基本的な考え方は理解しやすい。

まず、モデルは日次リターンを、市場の異なる結果を表す状態に分類する。たとえば、小幅な下落、中立に近い値動き、上昇を区別する。分類の境界をどこに置くかは重要だ。不適切な分類は、有用なパターンを見えにくくしたり、誤解を招くパターンを生み出したりする可能性がある。

PSOは、より適切な境界を探す。複数の候補解が数学的な探索空間を移動し、自らの過去の結果や他の候補解の結果から得た情報を使って位置を調整する。その過程は、有望な場所を探しながら、集団で手掛かりを共有する様子に似ている。

次に、マルコフモデルが状態間の遷移確率を推定する。あらゆる価格変動の説明を試みるのではなく、直近に似た状況の後に何が起こる傾向があったかを問う。

研究者らはさらに、異なるボラティリティや方向性を伴う環境など、市場のレジームに応じてこれらの関係を条件付けている。落ち着いた市場で観測された遷移が、変動の激しい市場でも同じ意味を持つとは限らない。

したがって、中心的な革新は、システムが市場を表す語彙をどのように学ぶかにある。予測を始める前に固定的な分類を与えるのではなく、状態の定義そのものを予測問題の一部としている。

暗号資産予測研究で実際に明らかになったこと

主な分析対象はビットコイン (BTC )、イーサリアム (ETH )、ライトコイン (LTC )、およびXRPで、対象期間は2018年1月1日から2026年4月22日までだ。これとは別に、ローリング方式のベンチマークでは、ビットコイン、イーサリアム、BNBを対象に、ランダムウォーク、古典的な統計モデルであるARIMA、機械学習モデルであるXGBoostと比較している。

これらは、対象資産の範囲が異なる相補的な分析だ。ローリング比較で報告されたアウト・オブ・サンプル予測は合計270件であり、長期の過去データを、独立に評価された数千件の予測と混同してはならない。

RMSE（二乗平均平方根誤差）は、大きな予測誤差により重いペナルティを課す。MAE（平均絶対誤差）は、追加の重み付けをせずに誤差の平均的な大きさを測る。どちらもリターン予測に関する指標であり、取引利益を示すものではない。

提案システムはRMSEが最も低いものの、ARIMAに対する優位性はわずかだ。MAEはARIMAのほうがやや優れており、正式な統計検定では、両者の予測損失に差があるとは確認されていない。

方向予測の性能はより低い。提案システムが方向を正しく判定した割合は48.89%で、50%の基準値と統計的に区別できない。検証したモデルのうち、この基準値を上回る方向予測精度が統計的に有意であることを示したものはない。

確率の較正にも限界がある。適切に較正されたモデルが、ある結果の確率を70%と予測した場合、比較可能な予測を通じて、その結果は約70%の頻度で起きるはずだ。報告された集計ベースの較正指標では、ARIMAとXGBoostのほうが優れている。

予測誤差が小さくても取引利益が保証されない理由

実際のリターンにおおむね近い予測を続けながら、その方向を繰り返し外すモデルもあり得る。日々の値動きの多くが小幅な場合、ゼロ付近に集中した予測は誤差を抑えられても、魅力的な取引機会を見つけられない可能性がある。

収益性を確かめるには、さらに別の要件を考慮する必要がある。利益は、利益が出たポジションと損失が出たポジションの規模、約定価格、手数料、スプレッド、そして戦略の取引頻度に左右される。方向予測の的中率が高くても損失が出ることはあり、反対に、的中率が低くても利益が損失を上回れば収益を上げられる場合がある。

この論文では、取引コストを考慮した売買シミュレーションは報告されていない。結果は予測とモニタリングのさらなる検討を後押しするものの、実際に投資に活用できる優位性があることを示すものではない。

この違いは、Securities.ioが最近取り上げた暗号資産先物取引に潜むリスクとも関連している。リターンを推定することと、ポジションを安全に取引できるかを見極めることは、関連はしていても別の課題だ。

説明可能性がもたらす、異なる種類の価値

提案されたモデルでは、状態の遷移ルールと、その根拠となる過去の観測データを確認できる。これにより、見かけ上のパターンが十分な証拠に裏付けられているのか、それとも少数の特異な事例に基づいているのかを、アナリストが判断しやすくなる可能性がある。

たとえば、リサーチ用ダッシュボードで、裏付けとなるデータが限られている遷移ルールに印を付け、担当者による確認を促すことが考えられる。ただし、これは応用の可能性であり、研究で実証された成果ではない。

透明性が高ければ、予測が外れた原因も調べやすくなる。アナリストは、状態の境界設定が適切でなくなったのか、市場環境が変化したのか、あるいはかつて一般的だった遷移が起きなくなったのかを検証できる。この診断上の価値も、予測性能と併せて評価する必要がある。

市場環境によって変わる暗号資産市場の記憶

主要な4資産の分析では、すべての資産で1次の依存関係が選択された。実務的には、直近の状態が、選択された遷移の文脈を示す。系列を長くしても、予測が自動的に有用になるわけではない。

これは、古い情報が決して重要でないという意味ではない。関係性を推定するには、過去の観測データが引き続き必要だ。つまり、予測ルールに連続する状態をさらに加えると、利用可能なデータの裏付けが分散する可能性があるということだ。

考えられる系列が増えるほど、それぞれの系列に該当する事例は少なくなる可能性がある。異なる市場環境で学習した関係性が弱まることもあるため、市場環境の変化があると、問題はさらに難しくなる。

この示唆は暗号資産に限らない。複雑さを採用するには、検証による裏付けが必要だ。より長い記憶や複雑なモデル構成が有用なのは、追加の情報が、それに伴う不確実性の増加を上回る場合に限られる。

データの質も重要だ。Securities.ioがウォッシュトレードと市場のボラティリティについて取り上げているように、見かけ上の取引活発度は慎重に精査する必要がある。今後のモデルに出来高や流動性の指標を加えれば、新たな情報を取り込める一方で、新たなデータ検証要件も生じる。

金融AIに投資家が求めるべきこと

次の段階では、より多くの資産や市場環境を対象に、他の手法と比較した、より厳密な検証が必要となる。著者らは、より広範なベンチマーク、校正の改善、最適化の反復実行、経済的価値の評価を、今後の課題として挙げている。

同様のツールを評価する投資家は、次の3点に注目できる。

• 未見のデータでも、信頼できる、より単純な手法と比べて性能を維持できるか。
• 報告された確率は、実際に観測された結果と一致しているか。
• 現実的な執行コストを考慮しても、取引上の優位性は残るか。

これらの問いを分けて考えれば、ある指標での優れた結果を、別の指標について根拠のない主張へとすり替えずに済む。また、開発者が改善の目標をより明確に定める助けにもなる。

暗号資産分析と市場インフラを結ぶCoinbase

高度な暗号市場を支えるインフラに興味がある投資家にとって、Coinbaseは調べる価値のある公開企業を提供します。その機関向けプラットフォームは、実行、保管、資金調達、その他のサービスを Coinbase Prime を通じて統合しています。

関連性は、この特定の予測手法にとどまらない。研究成果を実用的な業務フローに落とし込むには、信頼できるデータ、業務上の管理体制、取引執行のためのインフラが機関投資家に必要だ。後続の検証で実用的な価値が示されれば、説明可能なモデルはそうしたシステムを補完する可能性がある。

Coinbaseは市場分析も公開しています。10月7日の Charting Crypto outlook は、オンチェーン条件、評価、流動性を考慮し、過去のリターン転換を超えたより広範な情報セットを示しています。

この研究は、Coinbaseがそのモデル構成を採用していることも、採用によって財務上の恩恵を得られることも示していない。Coinbaseの株式には、事業、競争、規制、暗号資産市場に関するリスクも伴う。投資判断で重要なのは、ある予測モデルが成功するかどうかではなく、同社のインフラが顧客需要を持続的に支えられるかどうかだ。

Coinbase（COIN）の最新ニュースと動向

検証可能性を高める暗号資産予測の未来

この研究の貢献は、リターン予測誤差の面で競争力を保ちながら、検証可能な予測プロセスを示したことにある。一方、限界も同じように重要な示唆を与える。方向性の予測精度は依然として偶然に近く、確率の校正には改善が必要で、収益性はまだ検証されていない。

金融AIに異議を唱えやすくすることが、進歩につながる可能性があります。ユーザーがルールを確認し、根拠となる証拠を理解し、統計的な性能と経済的価値を区別できれば、投資プロセスのどこにモデルを組み込むべきか、より適切に判断できるようになります。

参考文献：

¹ do Nascimento, K. K. F.、および dos Santos, F. S.（2026）「レジーム依存型の暗号資産の動態に対応する、PSO最適化型インテリジェント・マルコフ予測システム」Applied Soft Computing、オンライン先行公開。https://doi.org/10.1016/j.asoc.2026.116666