【実録】LightGBM×J-Quantsで日本株AI自動売買システムを運用してみた

はじめに

「AIで株式投資を自動化できたら…」そんな夢を抱いたことはありませんか？

私は現在、機械学習モデル（LightGBM）を使った日本株の自動売買システムを実際に運用しています。このブログでは、システムの概要や運用の仕組み、そして正直なリスクについてお伝えしていきます。

先に断っておきますが、このシステムが「確実に儲かる」とは言いません。むしろ、AIによる投資の難しさや不確実性も含めて、リアルな運用記録をお届けしたいと思っています。

投資判断はあくまで自己責任でお願いします。この記事は特定の投資手法を推奨するものではありません。

2026年3月時点の実績

現在1週分のトレードを完了しています。

累計損益：−1,842円（1週、3銘柄）

AIが選定した5銘柄のうち今回は3銘柄を購入。スタートは厳しい結果となりましたが、これがリアルな自動売買の現実です。引き続き週次で記録を公開していきます。

なぜ日本株×AIなのか

日本株市場の特徴

日本株市場には約4,000社以上の上場企業があり、その中から有望な銘柄を見つけるのは容易ではありません。人間が一つ一つ分析するには限界があります。

一方で、日本株市場は米国株と比べてAIやアルゴリズム取引の浸透度がまだ低いとも言われています。つまり、機械学習を活用することで、人間では見落としがちなパターンや傾向を捉えられる可能性があるのです。

AIを使う理由

• 感情に左右されない：人間は恐怖や欲望で判断を誤りがちですが、AIは淡々とデータに基づいて判断します
• 大量のデータを処理できる：約9,000銘柄の情報を毎週分析することは、人力では不可能です
• 一貫性のある運用：同じルールで継続的に運用できるため、結果の検証がしやすい

もちろん、AIが万能というわけではありません。市場環境の急変や想定外のイベントには弱い面もあります。それでも、感情に振り回されずにシステマチックに運用できる点は大きなメリットだと考えています。

システムの概要

LightGBMとは

このシステムの中核を担うのがLightGBM（Light Gradient Boosting Machine）という機械学習アルゴリズムです。

LightGBMは、Microsoftが開発した勾配ブースティング手法の一つで、以下のような特徴があります。

• 高速な学習と予測が可能
• 大規模なデータセットでも効率的に処理できる
• テーブルデータ（表形式のデータ）の予測タスクで高い精度を発揮
• Kaggleなどのデータ分析コンペでも頻繁に使用される実績のあるモデル

株価予測においては、過去の株価データや財務指標などを入力として、将来のリターンを予測する形で活用しています。

J-Quants APIとは

データソースとして使用しているのがJ-Quants APIです。これは日本取引所グループ（JPX）が提供する株価データAPIで、以下のデータを取得できます。

• 株価データ（日足の四本値、出来高など）
• 財務データ（決算情報、財務指標など）
• 銘柄情報（業種、市場区分など）

公式データを使用できるため、データの信頼性が高く、個人投資家でも手軽にアクセスできる点が魅力です。有料プランもありますが、個人での運用であれば十分実用的なコストで利用できます。

モデルの詳細について

具体的な特徴量（入力変数）やモデルのパラメータについては非公開とさせていただきます。これは、ロジックを公開することで市場への影響が生じる可能性があること、また私自身のエッジ（優位性）を守るためです。ご了承ください。

ただし、バックテストでは8ヶ月分のウォークフォワード検証を実施し、正のリターンが得られることを確認してから実運用に移行しています。

運用の仕組み

週次選定の流れ

運用は週次で行っています。具体的な流れは以下の通りです。

• 毎週月曜日 8:30：Windowsタスクスケジューラで自動的にスクリプトが実行される
• J-Quants APIから最新データを取得
• LightGBMモデルで約9,000銘柄の予測スコアを算出
• 予測スコア上位5銘柄を自動選定
• 選定結果をメールまたはSlackで通知

あとは、通知された銘柄を確認し、手動でSBI証券にて買い注文を入れています。将来的には注文まで完全自動化することも検討していますが、現時点では最終判断を人間が行う形にしています。

なぜS株（単元未満株）なのか

売買にはSBI証券のS株（単元未満株）を使用しています。理由は以下の通りです。

• 少額から分散投資が可能：通常の単元株（100株単位）だと、1銘柄で数十万円〜数百万円必要になることも。S株なら1株から購入できるため、少ない資金でも5銘柄に分散できます
• リスク管理がしやすい：1銘柄あたりの投資額を抑えられるため、個別銘柄の暴落リスクを軽減できます
• 手数料の負担が小さい：SBI証券のS株は買付手数料が無料（2024年時点）

AIの予測が外れることは当然あります。5銘柄に分散することで、1銘柄の失敗が全体に与える影響を抑えています。

自動化のメリット

タスクスケジューラによる自動化には、以下のメリットがあります。

• 毎週同じ時間に確実に実行される（忘れない・サボらない）
• 感情的な判断が入り込む余地がない
• 運用の手間を最小限に抑えられる

「今週は相場が荒れているから様子を見よう」といった人間的な迷いを排除できるのは、システム運用の大きな強みです。

リスクと注意点

ここからは、正直にリスクについてお話しします。AIによる投資は魔法ではありません。

過学習（オーバーフィッティング）のリスク

機械学習モデルの最大の敵が過学習です。過去のデータに過剰に適合してしまい、未来のデータではまったく通用しないモデルになってしまう現象です。

バックテストで素晴らしい成績が出ても、実運用では全然ダメ…というのはよくある話です。私もウォークフォワード検証で対策していますが、それでも完全に防ぐことは困難です。

市場環境の変化

過去のデータで学習したモデルは、過去の市場環境を前提としています。しかし、市場は常に変化します。

• 金融政策の転換（金利上昇・下落）
• 地政学的リスク（戦争、パンデミックなど）
• 市場参加者の構成変化（アルゴリズム取引の増加など）

これらの変化により、過去に有効だったパターンが通用しなくなるレジームチェンジが起こり得ます。

データの限界

J-Quants APIで取得できるデータは、あくまで株価や財務情報などの定量データです。以下のような情報はモデルに反映されていません。

• SNSやニュースのセンチメント
• 経営者の資質や企業文化
• 突発的なイベント（不祥事、自然災害など）

資金管理の重要性

どんなに優秀なモデルでも、100%勝てるわけではありません。連敗が続くことも当然あります。だからこそ、生活に影響しない余裕資金で運用することが絶対条件です。

私自身、このシステムには「最悪ゼロになっても構わない」と思える金額しか投入していません。

今後の展望

現在は週次での運用ですが、今後は以下のような改善を検討しています。

• モデルの継続的な改善：新しい特徴量の追加やハイパーパラメータの調整
• リスク管理の強化：ドローダウン（資産の最大下落幅）を抑える仕組みの導入
• 運用実績の公開：このブログで定期的にパフォーマンスを報告
• 完全自動化：将来的には注文までAPIで自動執行することも視野に

このブログでは、良い結果だけでなく、失敗や反省点も正直に共有していきたいと思います。AIによる投資のリアルを知りたい方は、ぜひ今後の記事もチェックしてください。

まとめ

今回は、私が実際に運用しているLightGBM×J-Quantsの日本株AI自動売買システムについてご紹介しました。

• LightGBMで約9,000銘柄を分析し、毎週TOP5銘柄を自動選定
• S株を使って少額から分散投資
• タスクスケジューラで自動化し、感情を排除
• ただし、過学習や市場変化などのリスクは常に存在

AIによる投資は、夢のある分野である一方、過度な期待は禁物です。このブログを通じて、システムトレードのリアルな姿をお伝えできればと思います。

最後までお読みいただき、ありがとうございました。

```