投資調査から売買の自動化までAIトレーディングツールの選び方

ある銘柄が気になったとき、決算資料を読み、ニュースを確かめ、株価の動きを見て、買う理由と見送る理由を並べる。投資判断には、注文を出す前にもいくつもの作業があります。文章を読んで推論する大規模言語モデル（LLM）を使ったAIトレーディングツールは、この調査や判断の組み立てにも入り込んでいます。

公開プロジェクトを探す入口の一つが、LLMQuantコミュニティの「Awesome Trading Agents」です。市場調査、売買判断、データ取得や注文に関わるプロジェクトを集めた一覧で、分析を進めるエージェント、外部サービスにつなぐMCP、繰り返し使う手順をまとめたスキルという三つの分類を採用しています。

自分に合う候補を探すときは、返ってくるものに注目すると分かりやすくなります。調査レポートがほしいのか、売買ルールを試したいのか、すでに使っているAIへ株価を渡したいのかで、選ぶ道具が変わります。

ここで紹介する用途や条件は、2026年9月14日時点の公式READMEや公開資料に基づきます。実際の口座接続や運用成績の比較は行っていません。公開コードを利用するにも、AIモデルの利用料や金融データの契約が別途必要になる場合があります。

日々の情報確認をまとめたいなら、ZhuLinsenが公開する「daily_stock_analysis」が分かりやすい例です。調べたい銘柄を登録し、相場やニュースをもとに分析を作って、Slack、Telegram、メールなどへ通知します。自分で調査を始めるたびに同じ依頼を書く手間を減らす仕組みです。

現在の公式資料では、中国本土株、香港株、米国株に加えて、日本株、韓国株、台湾株も対象に含まれています。ただし、国ごとに取得できるデータは同じではありません。日本株は「7203.T」のようなコードで指定し、Yahoo Financeのデータを取得するプログラムを通じて、個別銘柄の分析や履歴保存を行う構成です。

日本株対応の資料には、価格の遅延や項目の欠損があり得ること、完全な財務情報や業種別ランキングを提供するわけではないことも記されています。日本語で回答するかに加え、必要な日本株データを取れるかを確認すると、自分の用途に合うか判断しやすくなります。

企業分析をもう少し作り込む方向には、AI4Finance Foundationの「FinRobot」があります。企業の資料や財務データから、企業価値の評価やレポート作成へ進むエージェントの開発基盤です。公開コードのV1は株式調査とレポート生成が中心で、オンライン版V2はソースコード未公開と案内されています。通知をすぐ受け取るアプリを探すのか、調査の仕組みを組みたいのかで、daily_stock_analysisとの選び方が変わります。

Tauric Researchの「TradingAgents」は、投資判断の仕事を複数のAIへ分けるフレームワークです。企業業績、ニュース、投資家心理、株価の指標を担当するAIが材料を集め、強気役と弱気役が検討します。その内容を受けて売買案を作り、リスクの評価と最終判断へ進みます。

銘柄と分析日を指定すると、各担当の分析や判断の根拠を追える構成です。例えば業績が良くても、強気役が成長余地を評価し、弱気役が株価への織り込みを問題にすれば、同じ材料からどこで意見が分かれたかを読めます。

投資判断を学びたい人は、担当ごとの分析を読み、複数の観点をどう組み合わせるかを確かめられます。調査ツールを作る開発者にとっては、自分の調査工程を組むための土台になります。導入にはプログラミング言語Pythonの実行環境や、選んだAIモデル・データ源の設定が必要になります。AIの人数を増やした分だけ判断が正確になるとは限らず、議論に使った資料が合っているかも読む必要があります。

TradingAgentsを出発点に、中国本土株向けのTradingAgents-CNやTradingAgents-AShareなども派生しています。言語の違いに加えて、利用する市場データや取引制度への対応が変わります。日本株で使いたい場合も、銘柄コードの指定方法や、日本株データの取得経路を確認する必要があります。

GitHubユーザーのviratttが公開する「ai-hedge-fund」は、AIを用いた投資判断を学ぶためのプロジェクトです。現在のREADMEでは、銘柄や戦略、保有内容を見直す間隔を設定し、保存したファンドの方針を過去のデータで試す使い方が案内されています。過去の相場へルールを当てはめる検証を、バックテストと呼びます。

TradingAgentsが担当ごとの検討過程を見せるのに対し、こちらの現行版では、ファンドの方針を設定して繰り返し評価する使い方に注目できます。必要になるのはFinancial Datasetsの金融データを取得するための認証情報と、AIを使う戦略向けのモデルの認証情報です。

ウォーレン・バフェットなど著名投資家の考え方を模した分析役については、現行READMEで、差し替え可能な戦略モデルへ作り直す方針が示されています。実取引への対応も将来構想に含まれますが、同じREADMEには「実際の取引は行わない」と明記されています。今の機能を読むときは、導入手順と今後の計画を分けて確認したい例です。

Claude Codeなど、すでに使っているAIアプリへ分析手順を追加する選択肢もあります。スキルは、特定の仕事を進める指示、参考資料、必要なプログラムなどをまとめたものです。例えば「決算を調べるときは何を比べるか」「結果をどんな順序で報告するか」を、対応するAIアプリに読み込ませます。

株式投資向けの「claude-trading-skills」は、tradermontyが公開するスキル集です。市場全体の状態、候補銘柄の絞り込み、保有量の検討、売買後の振り返りなど、投資を続けるときの手順がそろっています。公開データや手元のファイルから始める経路があり、有料データとの接続は用途に応じた追加要素です。このスキル集では、AIの分析を利用者が確認して判断する工程を設けています。

同じスキル集でも、得意な仕事には差があります。

例えば、決算発表のたびに確認項目がばらつくなら、分析の手順をそろえるスキルが候補になります。ただし、手順があっても最新の決算資料が自動的に手に入るとは限りません。対応するAIアプリ、参照できるデータ、必要な外部サービスを合わせて確認します。

また、スキルという形式だけで「文章を読むだけの道具」と判断するのも早計です。暗号資産取引所OKXのスキルや、出来事が起きるかどうかを対象に売買する予測市場Polymarketの公式スキルには、取引サービスの操作手順も含まれます。市場データの取得機能だけを使う場合は分析で終わります。取引サービスの操作機能をつなぎ、必要な口座やウォレットの認証を設定すると、注文や資産移動へ進める構成もあります。

AIが「最新の株価を調べて」と頼まれても、価格を取る道具がなければ答えを確かめられません。そこで使われるのが、AIアプリと外部ツールの通信方法をそろえる規格、MCP（Model Context Protocol）です。金融分野のMCPサーバーは、株価の取得や口座照会などを、AIが呼び出せる機能として提供します。

分析手順を教えるスキルと、データを取るMCPは組み合わせられます。人が決算の比較を頼み、AIがスキルに沿って必要な項目を選び、MCP経由で財務データを取得して報告する、という使い方です。ただし、任意のスキルとMCPが設定なしにつながるわけではありません。

株価や財務を渡すFinancial DatasetsとLLMQuant

金融データを提供するFinancial Datasetsは、公式の「mcp-server」を公開しています。財務諸表、株価、ニュースなどを取得するための道具で、AIが外部サービスを呼び出す窓口であるAPIを利用します。認証用のAPIキーと、データ提供サービス側の利用条件を確認して使います。

LLMQuantの「data-mcp」は、米国株の価格、経済指標、米国証券取引委員会（SEC）への提出書類、機関投資家の保有報告などをまとめて取得・検索するためのMCPサーバーです。個別企業だけでなく、経済環境や他の投資家の保有状況まで材料を広げたい場合に注目できます。こちらもAPIキーが必要で、利用に応じてクレジットを消費する仕組みです。

この二つはデータを取る道具です。どの指標を見るか、数字をどう解釈するかは、組み合わせるAIや分析手順の側で決まります。

注文まで届くAlpacaとKraken

証券取引サービスのAlpacaが公開する公式MCPは、市場データだけでなく、口座や保有状況の照会、注文の操作まで扱います。仮想資金で売買を試すペーパートレードと、実際の口座での取引に対応し、接続先や認証情報の設定が操作対象を決めます。

暗号資産取引所Krakenの「kraken-cli」も公式ツールで、文字のコマンドで操作する仕組みとMCPを備えています。公開市場データやペーパートレードはAPIキーなしで使える一方、実口座の残高照会や注文には認証が必要です。AIへ調査を頼む入口と、口座を操作させる入口が同じ道具に入っている例です。

ツールが公式に提供されているかを知るには、データの提供会社とツールの開発元を照合します。例えば一覧にあるIB_MCPは、Interactive Brokersの接続機能を使う第三者製ツールです。証券会社のデータを扱っていることと、Interactive BrokersがMCPを提供・保守していることは別です。

その日の売買をAIに考えさせるほかに、AIに戦略のプログラムを書かせる用途もあります。Papers With Backtestの「pwb-alphaevolve」は、戦略コードを生成し、バックテストの結果を使って改良を繰り返すプロジェクトです。Google DeepMindのAlphaEvolveに着想を得た別プロジェクトで、金融向けの公式AlphaEvolve製品ではありません。

一方、marketcallsの「vectorbt-backtesting-skills」は、Pythonの検証ライブラリvectorbtを使う手順をAIへ渡すスキルです。戦略を試す、条件を変える、結果を比較する、といった作業を助けます。作りたいルールを人が持っている場合と、候補ルールの探索もAIへ任せたい場合で、この二つの役割が分かれます。

戦略を作る道具がある一方で、AIの判断を共通の条件で評価するプロジェクトもあります。

DeepFundの論文は、AIの学習データに後年の情報が含まれると、過去の投資判断を再現するバックテストが有利になり得る点を問題にしています。過去に高い成績が出たという数字だけで、これからの相場でも同じ結果になるとは判断できません。

また、実際の価格を使ったペーパートレードにも実取引との差があります。Alpacaの公式説明では、自分の注文が市場価格へ与える影響や、通信の遅れによる約定価格のずれなどを再現しないとされています。分析文の説得力、検証上の利益、実際に注文が成立する条件は、分けて読む必要があります。

掲載プロジェクトを横に並べると、同じAIモデルを使っていても、対象市場や作業のまとめ方に個性があると分かります。TradingAgentsの中国株向け派生や、台湾株の戦略研究を扱うFinLab AIのように、現地のデータや分析方法へ寄せる方向があります。どのモデルを選べるかと同じくらい、どの市場の資料がそろうかが道具の性格を決めています。

別の方向が、使い慣れたAIと調査履歴を一つの画面へ集めることです。TraderAliceの「OpenAlice」は、AIエージェント、市場データ、調査ファイル、定期実行、取引口座をまとめるローカルの作業環境です。現在は一つまたは複数のエージェントを使える構成で、口座を接続せずに調査から始められます。売買機能を有効にした場合は、AIが出した案と理由を人が確認して実行を承認する流れです。

NoFxAiOSが公開する「NOFX」は、暗号資産の取引所と接続し、AIが相場を読み、判断し、注文し、理由を記録するループを備えます。注文量や同時に持てるポジション数などは、AIの外側にあるプログラムで制限する設計です。同じ「自動化」でも、人の承認を中心に据えるか、継続実行の条件をコードで制御するかに違いがあります。

HKUDSの「AI-Trader」は、さらにエージェント同士が売買アイデアや取引情報を共有するプラットフォームへ広げています。スキルを入口にエージェントを登録し、提案や取引情報の共有、ペーパートレードなどへつなぐ構成です。例えばAI-Traderが扱うPolymarket向けの機能は、実際の市場データと模擬約定を組み合わせると説明されています。「ライブ」という表記だけで、すべてが実際の資金の取引だとは読めません。

ここからは筆者の見立てですが、AIトレーディングの面白さは、調べる手順、資料を取る道具、判断の記録、実行の仕組みを組み替えられる点にあります。ただし、この一覧はLLMを使う公開プロジェクトを集めたものです。市場全体の普及率や、既存の運用手法に対する優位性を示す資料ではありません。

まずは、毎日読む銘柄レポートがほしいならdaily_stock_analysis、判断の組み立てを学びたいならTradingAgents、普段のAIの分析手順を整えたいならスキル集が入口になります。すでに分析方法が決まっていて、必要なデータが足りない場合にはMCPを探す、という順序も取れます。

初めて使うときは、よく知っている銘柄を一つ選び、AIが挙げた業績の数字、ニュースの日付、強気・弱気の根拠を元資料と照合すると、その道具の使いどころを確かめやすくなります。売買の提案が出たかだけでなく、自分で調べ直す箇所が減ったか、判断に必要な材料が増えたかも見るとよいでしょう。

注文の自動化まで進む候補では、使える市場と口座の条件に加え、調査用の接続と注文できる接続をどう切り替えるかを確認します。公開コードがあること、無料で取得できること、自分の地域や契約でサービスを利用できることは、それぞれ別の条件です。最初に任せる仕事を一つ決めると、必要なデータ、費用、確認すべき結果も具体的になります。