本記事は、AIとマーケットメイクのリスク管理を一般的に解説するものです。投資助言ではありません。特定の証券、暗号資産、金融商品、取引戦略、取引所、証券会社、ブローカー、マーケットメーカーを推奨するものではありません。
マーケットメーカーは、市場で買値と売値を提示し、取引の流動性を支える存在です。外から見ると「安く買って高く売る仕事」に見えますが、実務の中心にあるのは価格予測そのものではありません。むしろ、在庫、流動性、急変、注文集中、システム障害、モデル劣化をどう管理するかが本質です。
AIを使う場合も同じです。AIを「価格を当てる魔法」として見ると危険です。一方で、AIをリスクの早期検知、限度管理、異常検知、ストレステスト、モデル監査の補助として使うなら、マーケットメイクの世界には多くの学びがあります。
この記事では、マーケットメーカーのリスク管理を題材に、AIがどこを支えられるのかを整理します。金融業そのものに参入しない一般企業にとっても、自動化システムを安全に運用するためのヒントになります。
マーケットメーカーが抱える主なリスク
マーケットメーカーは、売買の両側に価格を出すことで流動性を提供します。Citadel Securitiesの解説でも、マーケットメーカーは買値と売値を提示し、市場の流動性と厚みを支える存在として説明されています。
ただし、価格を出すということは、常にリスクを引き受けるということでもあります。代表的なリスクは次の通りです。
| リスク | 内容 | AIが補助しやすい領域 |
|---|---|---|
| 在庫リスク | 一方向に約定が偏り、不利なポジションが積み上がる | 在庫偏り、集中、相関変化の検知 |
| 逆選択 | 相手の方が良い情報を持ち、不利な価格で約定しやすくなる | 注文フローと約定後価格変化の分析 |
| 流動性ショック | 急変時に注文板が薄くなり、平時の前提が崩れる | 流動性低下、スプレッド拡大、約定異常の検知 |
| 執行・技術リスク | 遅延、取消失敗、データ障害、コード誤配備が起こる | ログ監視、異常検知、停止条件の発火 |
| モデルリスク | 学習時と市場環境が変わり、モデルが効かなくなる | モデル劣化、ドリフト、説明資料の作成 |
方法1：在庫リスクをリアルタイムに見る
マーケットメイクの古典的な考え方では、在庫を持ちすぎることが大きなリスクになります。Avellaneda-Stoikovのような研究では、在庫水準やリスク回避度を考慮しながら、買値と売値の出し方を考えます。これは「AIで儲ける」という話ではなく、在庫を持つこと自体にコストと危険があるという発想です。
AIは、銘柄、商品、期限、取引所、顧客タイプ、相関資産をまたいで、在庫がどこに偏っているかを見つける補助に向いています。特に、単一の商品では問題が小さく見えても、相関する複数の商品をまとめると同じ方向にリスクが積み上がっている場合があります。
実務では、AIの出力をそのまま注文に使うのではなく、在庫上限、損失上限、集中リスクの警告として使う方が現実的です。重要なのは、モデルの予測よりも、まず「どこにリスクが溜まっているか」を早く見つけることです。
方法2：逆選択と情報の偏りを検知する
逆選択とは、取引相手の方が良い情報を持っているため、不利な価格で取引してしまう状況です。たとえば、重要ニュースの直前、流動性が薄い時間帯、特定方向の注文が急に増えた局面では、通常の価格提示が危険になることがあります。
AIは、注文フロー、取消パターン、約定後の価格変化、ニュース、出来高、板の厚みを組み合わせ、いつもと違う注文の質を検知できます。ここでの目的は、勝てる相手を探すことではありません。自社が不利な情報環境に入っていないかを確認することです。
この考え方は、一般企業にも応用できます。問い合わせ、広告、営業、在庫管理でも、入力データの質が急に変わることがあります。AIは「いつもと違う流れ」を早めに知らせる監視役として使えます。
方法3：動的な価格提示とスプレッド調整
市場が安定しているときと、急変しているときでは、同じ幅で価格を出すべきではありません。流動性が低下し、ボラティリティが上がり、在庫が偏っているなら、価格提示の幅や数量を変える必要があります。
AIは、過去の市場データと現在の状態を見ながら、価格提示の幅、数量、更新頻度を調整するための補助情報を出せます。強化学習を使ったマーケットメイク研究でも、在庫リスクを報酬関数や状態として扱うものがあります。たとえば、2025年のarXiv論文 Resolving Latency and Inventory Risk in Market Making with Reinforcement Learning は、遅延と在庫リスクを考慮した強化学習型の方法を扱っています。
ただし、研究上の性能と実務運用は別です。実際には、AIが出した調整案を、取引所ルール、資本制約、法令、限度管理、監査ログで囲い込む必要があります。AIの推奨がどれほど良く見えても、ハードな上限を超えさせてはいけません。
方法4：ヘッジ候補を探す
在庫が偏った場合、関連する商品でヘッジすることがあります。AIは、相関資産、流動性、取引コスト、ヘッジ効果、ストレス時の相関崩れを比較し、候補を整理する補助に向いています。
ここでも、AIに最終判断を渡すのは危険です。平時には相関している資産でも、危機時には同時に流動性が消えることがあります。AIは候補を出す道具であり、資本、規制、執行可能性、残余リスクを含めて人間が確認する必要があります。
方法5：限度管理、取引停止条件、kill switch
マーケットメイクで最も重要なのは、モデルを賢くすることだけではありません。間違ったときに止まる仕組みです。商品別、取引所別、モデル別、時間帯別に、最大在庫、最大損失、最大注文数、最大約定量、最大取消失敗数を決めておきます。
異常が起きたときには、段階的に落とします。新規注文を止める。数量を小さくする。既存注文を取り消す。自動売買を止める。人間に引き継ぐ。こうした制御は、AIよりも上位に置かれるべきです。
OptiverのMarket-maker protectionsに関する記事では、MMPがマーケットメーカーのリスクを抑え、同時に流動性を守る仕組みとして説明されています。大量の銘柄に継続的に価格を出す場合、一気に約定が集中するリスクを避けるため、上限を超えたら自動的に残存気配を止めるような保護が重要になります。
方法6：異常検知と市場状態の分類
AIが得意な領域の一つは、複数の信号をまとめて「いつもと違う」状態を見つけることです。価格の急変、出来高の偏り、板の薄さ、データ遅延、取引所からの応答異常、注文取消の失敗、約定後の価格変化などを一つずつ見るだけでは、兆候を見落とすことがあります。
異常検知モデルは、平時、注意、危険、停止というように市場状態を分類できます。ただし、AIの警告だけに頼るのではなく、ルール型の監視と併用することが大切です。機械学習は未知の組み合わせに強い一方で、明確な規則違反を確実に止めるには、単純なルールの方が強い場合があります。
方法7：ストレステストとシナリオ生成
リスク管理では、過去の平均ではなく、極端な状況を見る必要があります。金融危機、急な金利発表、パンデミック時のショック、取引所障害、流動性消失、相関崩壊などを想定し、在庫、損失、ヘッジ、注文取消、資本余力がどうなるかを試します。
AIは、過去のイベントを整理したり、複数のシナリオを作ったり、損失の原因を説明する資料を作ったりできます。生成AIは特に、ストレステストの結果を経営層向けに説明する文章や図表に変換する用途に向いています。
ただし、ストレス条件そのものは人間が決めるべきです。AIが「起こりやすい」と判断したものだけを見ると、真に危険な外れ値を見落とす可能性があります。
方法8：モデルリスク管理と監査
AIモデルは、一度作れば終わりではありません。市場環境が変われば、学習時に有効だった特徴量が効かなくなることがあります。データの漏洩、過学習、モデルドリフト、説明不能な挙動、フィードバックループも問題になります。
実務では、モデルのバージョン管理、学習データの記録、承認フロー、シャドーモード、段階的リリース、ロールバック、事後レビューが必要です。これは金融に限らず、AIを業務に入れるすべての企業に共通する話です。
AIを導入するときは、精度だけでなく、誰が承認したか、どのデータで学習したか、いつ変更したか、どの条件で停止するかを残す必要があります。モデルの性能より、運用の説明責任が大切になる場面は少なくありません。
失敗案例：Knight Capital 2012
AI時代の風控を考えるうえで、Knight Capitalの2012年の事件は重要な反面教師です。SECの発表によると、Knight Capital Americas LLCは、2012年8月1日の取引事故に関連して、market access rule違反で1,200万ドルの和解金を支払うことに同意しました。
SECは、同社が市場アクセスリスクを制限する十分な safeguards を置いておらず、数百万件の誤注文の流入を防げなかったと説明しています。発表では、最初の45分間で400万件超の注文が市場に送られ、数億株が取引され、最終的に4億6,000万ドル超の損失が発生したとされています。
この事件から学べるのは、技術の速度が速いほど、停止条件、配備管理、アラート対応、資本上限、注文前チェックが重要になるということです。AIを使うなら、なおさらです。モデルが高度になるほど、止める仕組みは単純で強い方がよい場合があります。
公開案例：Optiverと市場保護机制
正向案例としては、Optiverが公開しているマーケットメーカー保護に関する議論が参考になります。同社は、オプション市場でのMMPを、流動性を守るための基本的な仕組みとして位置づけています。
Optiverは、MMPによりマーケットメーカーが自社の保護水準を設定し、一定の閾値を超えた場合に残存気配を自動的に止められると説明しています。さらに、volume、delta、gamma、vegaのような指標を限度管理に使う考え方も示しています。
これは、AI風控にも通じます。AIがいくら精密な判断をしても、最終的には「どの指標がどの閾値を超えたら止めるか」を明確にしなければなりません。しかも、その設定値は監査でき、リアルタイムに確認でき、必要に応じて更新できる必要があります。
一般企業が学べること
多くの企業がマーケットメイクを行う必要はありません。金融ライセンス、資本、システム、規制、専門人材が必要であり、一般企業が軽く扱う領域ではありません。
それでも、マーケットメーカーの風控思想から学べることはあります。第一に、AIの出力をそのまま実行しないこと。第二に、在庫、顧客対応、広告費、問い合わせ、営業案件など、業務上の「リスク在庫」を可視化すること。第三に、異常時には自動化を止める条件を事前に決めることです。
AI導入では、便利さだけを見ると失敗します。自動化のスピードが上がるほど、間違いも速く広がります。だからこそ、ログ、限度、承認、停止条件、監査を先に設計する必要があります。
SMARTWAYでは、AIを「勝手に判断して動く道具」としてではなく、業務判断を整理し、リスクを見える化し、人間が責任を持って運用できる仕組みとして設計します。マーケットメーカーの世界は極端な例ですが、高速で動くAIシステムには境界線が必要だという教訓は、どの業種にも共通します。
関連する考え方として、AI量的取引の基本とリスク管理、AI時代の工程治理と運用管理、AIエージェントに業務を任せる境界線もあわせてご覧ください。AI導入やリスク管理設計について相談したい場合は、お問い合わせからご連絡ください。
