1. 「AIに銘柄を聞く」ではなく「研究所をAI化する」
ある自律運用の事例を見て最初に勘違いしやすいのは、「AIに今日どの株を買うか聞いている」という絵だ。
実際に面白いのはそこではない。
やっていることを抽象化すると、
投資アイデアを集める。
仮説にする。
コードにする。
データで検証する。
失敗を捨てる。
生き残りを既存戦略と比較する。
ポートフォリオへ追加する。
また次の仮説を探す。
という研究工程そのものの自動化だ。
昔の自動売買は「人間が戦略を考え、機械が執行する」が中心だった。今は一段上へ行き、「人間が研究テーマと評価基準を決め、AIが研究員として大量の試行を回す」に近づいている。
AIに株価を予言させる占い館ではない。
24時間営業の研究室である。
しかも研究員は寝ない。たまにAPI制限で気絶する。
2. J-Quantsが効くのは、予測力より「研究開始までの面倒」を消すところ
日本株クオンツで地味に重かったのは、アイデア以前にデータの取得・整形だった。
銘柄マスタ、株価、財務、信用、空売り、配当、先物、オプション。データ源がバラバラなら、仮説を思いついてから検証開始までに人間の気力が先に上場廃止する。
J-Quantsはこの摩擦をかなり下げる。[1]
2026年10月1日時点では、Standardが月3,300円、Premiumが月16,500円。Premiumでは利用可能な全期間と、前後場を含むより広いデータへアクセスできる。
重要なのは「月16,500円で勝てる」ことではない。
月16,500円で、研究員が毎回CSV探しの洞窟探検へ行かなくて済むことだ。
データ取得がAPI化されると、エージェントは仮説を思いついた直後にデータを引き、Pythonを書き、バックテストし、結果をDBへ保存できる。
ここで初めて、アイデア大量生産と大量棄却が現実的になる。
3. 実装力のボトルネックが消えると、次に「何を試すか」が詰まる
以前は、面白い案を10個思いついても、実装できるのは1個か2個だった。
コードを書く。バグを取る。API仕様を見る。データを整える。結果を可視化する。
この実装コストが自然なブレーキだった。
ところが強いコーディングエージェントを使うと、
「これ試したら？」
「はい実装しました」
「別条件も」
「はい」
「ウォークフォワードも」
「はい」
「相関も」
「はい」
となる。
人類が長年待ち望んだ「思いつきを即コード化する妖精」が来た。
そして10分後、別の問題に気づく。
思いつきが足りない。
さらに進むと、思いつき自体もAIが大量生成するので、次は「良い思いつきをどう選ぶか」が詰まる。
最終的なボトルネックは、実装力から、探索空間の設計、反証、評価関数へ移る。
4. 一番危険なのは「ゴミ戦略を光速で1000本作れる」こと
自律探索は、研究速度だけでなく過学習速度も上げる。
これは重要だ。
パラメータを少し変えただけの似た戦略を何百本も作り、たまたま良かったものだけ残せば、バックテスト上では天才ファンドが完成する。
本番では普通に死ぬ。
だから自律研究には、仮説生成より先に「落とす仕組み」が必要になる。
たとえば、
・アウト・オブ・サンプル
・ウォークフォワード
・取引コストとスリッページ
・年ごとの安定性
・市場局面別の崩れ方
・既存戦略との相関
・ターンオーバー
・流動性と容量
・同じアイデアの焼き直し検出
などだ。
AI研究員を100人雇うなら、人事部より先にゴミ箱を大型化した方がいい。
採用基準が弱い研究所は、研究所ではない。
バックテスト動物園である。
5. 2026年時点の現実的な月額はいくらか
まず固定費。
J-Quants Standardは月3,300円、Premiumは月16,500円。[1]
Claude MaxはMax 5xが月100ドル、Max 20xが月200ドルで、Claude Codeを同じ契約で使える。[2][3]
ただし、Maxは「200ドル払えば24時間無限にClaude Codeが回る券」ではない。5時間単位のセッション制限と週次上限がある。[2]
さらに2026年6月15日以降、Claude Agent SDKと claude -p は通常のMax利用枠とは分離され、対象プランには月次クレジットが付く。Max 5xは100ドル、Max 20xは200ドル分だ。[4]
つまり、対話的なClaude Codeと、無人のAgent SDK運転は、同じClaudeでも財布の構造が少し違う。
API単価を見ると、Claude Sonnet 5.5は入力100万トークン2ドル、出力10ドル。Opus 5.5は4ドルと20ドル。[5]
OpenAIのGPT-6.1 Solも標準処理で2ドルと10ドル、GPT-6 Astraは10ドルと50ドル。[6]
同じ「AI」でも、研究員と研究部長では人件費が5倍違う。
6. 「月90万円」は大げさか。いや、普通に作れる
たとえばキャッシュなしの単純計算で、入力2ドル・出力10ドルのクラスを使う。
月50M入力＋5M出力なら150ドル。
月200M入力＋20M出力なら600ドル。
月500M入力＋50M出力なら1,500ドル。
まだ個人でも「まあ、痛い」で済む人はいる。
ところがAstra級の入力10ドル・出力50ドルを、同じ感覚で常時使うと、
月50M＋5Mで750ドル。
月200M＋20Mで3,000ドル。
月400M＋40Mで6,000ドル。
1ドル150円で丸めれば6,000ドルは約90万円だ。
月90万円はSFではない。
高級モデルを大量並列で走らせるという、非常に簡単な操作で召喚できる。
請求書のラスボスはコマンド一行で出る。
もちろん実運用ではキャッシュ、Batch、安価なモデル、早期打ち切りを使えば大幅に減らせる。逆にツール呼び出し、検索、長大コンテキスト、再試行、失敗エージェントを放置すれば増える。
だから「AI APIはいくら？」には、本当は単価ではなく「月に何回研究ループを許可する？」で答える必要がある。
7. 将来は単価が下がるのか。それでも総額は上がり得る
ここは直感と逆で面白い。
Epoch AIは2026年9月、同程度のAI性能を得るコストが2023年以降、四半期あたり約47%低下、年換算で約13分の1になってきたと推計した。[7]
将来も同じ速度が続く保証はない。
ただ、方向として「同じ能力を買う価格が下がる」はかなり強い。
ではAI代は安くなるのか。
たぶん、1仕事あたりは安くなる。
しかし総支払額は上がり得る。
100円で1回しか回せなかった処理が10円になったら、10回で終わるとは限らない。100回回すかもしれない。
安くなったから、
1エージェントが10案
↓
100エージェントが100案ずつ
↓
別エージェントが反証
↓
メタエージェントが未探索領域を発見
↓
また100エージェント出撃
となる。
これはジェボンズのパラドックスに近い。
燃費が良くなった結果、ガソリンを使わなくなるとは限らない。
AIは安くなる。
そして我々は、もっと使う。
8. 勝つのは「一番賢いAIを使う人」ではなく「賢さを配車できる人」
全部を最高性能モデルに投げる必要はない。
むしろ、それをやると研究ではなく請求書生成AIになる。
現実的な構成は階層化だ。
安いモデルで仮説候補を大量生成する。
PythonやSQLで機械的に落とせるものはAIを使わず落とす。
中価格帯の強いモデルでコード化・検証・修正する。
統計ゲートでさらに落とす。
最後に残った少数だけ、最高性能モデルへ反証させる。
数値計算そのものはCPUやバッチ基盤へ逃がす。LLMに100万回ループを考えさせる必要はない。コードを書かせたら、反復はコンピュータにやらせる。
要するに、
高いモデルを作業員にしない。
高いモデルは研究部長にする。
今後のAIマネジメントで重要になるのは、モデル選択より「どの仕事にどの知能単価を割り当てるか」だ。
結論
自律エージェントとJ-Quantsの組み合わせで、日本株研究の個人参入障壁はかなり下がった。
データ取得、コード実装、検証、レポートまでAIが埋め始めると、人間の役割は「手を動かす」から「探索空間を設計し、良いものを見分ける」へ移る。
そして次の壁はAI使用料だ。
ただし未来は「AIがどんどん高くなる」だけではなさそうだ。
同じ性能あたりの単価は下がる。
できる仕事は増える。
使いたい量はもっと増える。
結果、総支出は増える。
つまり未来の問いは、
「AIはいくらですか？」
ではない。
「この研究所に、月いくらまで知能を仕入れると利益が増えるのか？」
である。
実装力の壁をAIが壊した後に待っていたのは、自由だった。
そして自由の横には、利用明細が立っていた。
