AIで類似取引（先例取引）を分析する｜案件抽出・プレミアム・データ欠損の扱い

結論：AIに任せてよいのは「候補出し」と「書類からの項目抽出」まで

先例取引分析（先例取引分析）は、過去のM&A案件の条件を横断的に集計し、対象会社の価値レンジを示す作業です。生成AIを使うと作業量は確実に減りますが、減らせるのは候補案件を思い出す作業と長い開示書類から項目を拾い出す作業の2つに限られます。

逆に、AIに任せてはいけない工程がはっきりしています。案件が本当に存在したかの確認、プレミアムやマルチプルの計算基準をどう揃えるかの決定、データが取れなかったセルをどう扱うかの判断——この3つは人が決める領域です。とくに1つ目は致命的で、AIは実在しない案件名や、実在する会社の実在しない取引を、実在する案件とまったく同じ文体で出力します。一覧表に1件でも架空案件が混ざれば、その表から導いたレンジは根拠を失います。

幸い、日本のM&A実務にはこの検証を支える強い一次情報があります。上場会社を対象とする公開買付け（TOB）については、金融商品取引法27条の3が、公開買付開始公告を行った日に、目的・買付価格・買付予定数・買付期間その他内閣府令で定める事項を記載した公開買付届出書を提出しなければならない旨を規定しています。また同法27条の10が、対象者による意見表明報告書と、公開買付者による対質問回答報告書（意見表明報告書の写しの送付を受けた日から5営業日以内）について規定しています（金融庁「株券等の公開買付けに関するQ&A」令和8年5月1日版、2026年8月3日確認。個別案件への適用判断は専門家にご確認ください）。これらはEDINETで誰でも閲覧できます。AIが挙げた案件は、この一次情報で1件ずつ突き合わせる——それが本記事の中核です。

なお、TOB制度そのものの仕組みはTOB（株式公開買付け）の成立条件とスクイーズアウトで、開示書類の読み方はM&A・デューデリジェンスでの生成AI活用で扱っています。本記事は複数案件を横断して1枚の表にまとめるところに集中します。

先例取引分析のワークフローとAI・人の分担

全体像は5工程です。工程ごとに「主にAIが動く」「人が必ず手を動かす」を最初に決めておくと、後工程での手戻りが減ります。

この分担で重要なのは、工程2を工程1の直後に必ず挟むことです。候補リストのまま条件抽出に進むと、架空案件についてAIが「それらしい買付価格」を作文し、後工程では誤りに気づけなくなります。

日本の強み：公開買付届出書に算定資料が載っている

先例取引分析は、海外では「有料データベースがないと始まらない」作業と説明されることが多い領域です。日本は事情が違います。上場会社を対象とするTOBについては、公開買付届出書と意見表明報告書がEDINETに提出され、無料で全文を読めます。実務上、これらの書類には第三者算定機関による株式価値算定の概要が記載されていることが多く、買い手が何を根拠にその価格を決めたかを追える案件が相当数あります（記載の有無・粒度は案件ごとに異なるため、必ず現物で確認してください）。

この強みを活かすには、最初に「一次情報で追える項目」と「追えない項目」を切り分けた対応表を作り、チーム内で共有しておくことです。切り分けが共有されていないと、追えない項目についてメンバーがそれぞれ別の推測で埋めてしまいます。

EDINET由来で追える項目／追いにくい項目

この表の意味は「追いにくい欄は、埋める努力をするのではなく空欄のまま扱うと決める」ことにあります。フェアネスオピニオンが付されている案件でも、算定の前提となる事業計画そのものは通常開示されません。「他の案件から類推して埋める」のは分析ではなく創作です。

情報源マップ：どこから取り、どこは出典にしないか

利用条件にも注意が必要です。EDINETの利用規約には、二次利用の際に編集・加工を行ったこと及びその主体を記載すべき旨、また短時間の大量アクセス等でAPI機能の運用に支障を与える行為を禁止する旨が規定されています（2026年8月3日確認）。JPXのサイト利用規約にも、有料契約による場合等を除き商用目的のデータ収集・二次利用はできない旨、生成AI等での利用であってもJPXが不利益を被る可能性のある行為を禁止する旨が記載されています（同日確認）。データの取得方法そのものが規約違反にならないかは、作業を始める前に確認してください。

米国の制度とは様式が異なります。米国では第三者による公開買付けについて SC TO-T、対象会社の意見表明について SC 14D-9 が SEC の EDGAR に提出されますが、日本の公開買付届出書・意見表明報告書とは根拠法令も記載事項も同一ではありません。海外テキストの手順をそのまま日本案件に当てはめず、日本の書類種別に読み替えてください。

プレミアムは「どの株価を基準にするか」で数字が変わる

先例取引一覧表で最も事故が起きやすいのがプレミアムの列です。プレミアム分析では、買付価格を「どの株価」で割るかによって数値が大きく変わります。仮設の案件で確かめます。

設例：湊川マテリアル株式会社（架空の上場会社）。公開買付価格は1株2,400円。公表日直前の株価は次のとおりでした（数値はすべて仮設です）。

この設例では、公表の約1か月前に業績予想の下方修正があり株価が下落した、という前提を置いています。だからこそ1か月平均を基準にすると最も高いプレミアム（60.0%）に見え、6か月平均では最も低く（20.0%）見えます。買い手に有利な数字も、売り手に有利な数字も、同じ案件から作れてしまうということです。

実務上の規律は単純です。一覧表の集計に使う基準を1つに固定し（多くの実務では公表日前営業日終値）、列名にその基準を明記する。そして4基準すべてを別列に残しておき、必要に応じて基準を切り替えて再集計できるようにしておきます。なお、支配権の移転に伴う価格差の考え方そのものはコントロールプレミアムと流動性ディスカウントで扱っています。

仮設6案件で先例取引一覧表を作る

ここからは、産業用部材セクターの仮設6案件で一覧表を組み立てます。登場する企業名・数値はすべて架空です。単位は百万円で統一し、株価のみ円、倍率は「x」で表記します。プレミアムはすべて公表日前営業日終値を基準としています。

金額単位：百万円（買付価格・終値のみ円）。網かけ行は欠損を含む案件。「—」は「データが取得できなかった」ことを示し、ゼロではありません。

EVとEV/EBITDAの計算過程（案件1：湊川マテリアル）

倍率は必ず計算過程を残します。EV/EBITDA倍率の分子と分母がずれるのは、先例取引分析で最も多い計算ミスです。

株式価値からEVへの橋渡しの考え方はEVブリッジ（株式価値と事業価値の換算）を、EBITDAの定義差については別途確認してください。案件ごとにEBITDAの定義（のれん償却の扱い、一過性損益の調整の有無）が違うと、倍率は比較不能になります。一覧表の脚注に「EBITDA＝営業利益＋減価償却費、調整なし」と定義を書き切るのが最低限の作法です。

集計：欠損を埋めると何が起きるか

6案件のうち、プレミアムが取れたのは4件、EV/EBITDAが取れたのも4件です。有効件数はn＝4であって、n＝6ではありません。

検算。プレミアムの中央値は、昇順に並べた 15.0 / 30.0 / 40.0 / 50.0 の中央2つの平均で（30.0＋40.0）÷2＝35.0%。平均は（15.0＋30.0＋40.0＋50.0）÷4＝135.0÷4＝33.75、小数第1位で33.8%。EV/EBITDAの中央値は 6.4 / 8.0 / 8.5 / 10.0 の中央2つの平均で（8.0＋8.5）÷2＝8.25x。平均は（6.4＋8.0＋8.5＋10.0）÷4＝32.9÷4＝8.225、小数第1位で8.2xです。

ここで、欠損2件を「中央値8.25xで補完しよう」と考えたとします。何が起きるかを数字で見ます。

• 補完前（n＝4）：平均8.225x。偏差の二乗和＝0.050625＋3.330625＋3.150625＋0.075625＝6.6075。÷4＝1.651875。標準偏差＝約1.29x
• 補完後（n＝6）：合計＝32.9＋16.5＝49.4、平均＝49.4÷6＝約8.23x。偏差の二乗和＝約6.6083。÷6＝約1.1014。標準偏差＝約1.05x

中央値も平均もほとんど動きません（8.25x→8.25x、8.2x→8.2x）。動いたのはばらつきだけで、標準偏差は1.29xから1.05xへ、約19%小さくなりました。新しい情報は1件も増えていないのに、レンジだけが狭く見える——これが欠損補完の実害です。先例取引分析の目的が「妥当なレンジを示すこと」である以上、レンジを人為的に締める操作は分析の目的に反します。

規律：欠損は空欄のまま残し、有効件数nを必ず明記する。「n＝4のうち2件はデータ取得不能」と書けば、読み手は自分でその情報量を割り引けます。中央値で埋めた表からは、この判断材料が消えます。

AIが挙げた案件を1件ずつ実在確認する

先例取引分析でAIを使うときの最大の危険は、存在しない案件や誤った金額を、実在の案件と同じ自信で出力することです。「日本の産業用部材セクターのTOB案件を10件挙げてください」と頼めば、AIは10件のリストを返します。そのうち何件が実在するかは、AI自身には判定できません。

AIが出しやすい誤りの5類型

実在確認の手順

1. AIの出力から、案件ごとに対象会社名・公開買付者名・公表年月の3点を抜き出し、確認シートに転記する。
2. EDINETの書類検索で、対象会社名または証券コードを入力し、提出日の範囲を公表年月の前後1か月に設定して検索する。
3. 書類種別で絞り込む。EDINET API仕様書には、意見表明報告書（様式コード290）、公開買付報告書（270）、対質問回答報告書（310）等のコードが定義されています（2026年8月3日確認）。該当する書類が1件も出てこない案件は、その場で一覧から削除する。
4. ヒットした書類を開き、書類管理番号（docID）を確認シートに控える。この番号が一覧表の「出典」列に入る唯一の値です。
5. 買付価格・買付予定数・買付期間・基準株価を、AIの出力ではなく書類の該当ページから転記し、PDFの通しページ番号も併記する。
6. AIの出力と書類の値が食い違った場合は、常に書類を正とする。食い違いの件数を記録しておくと、そのAIの出力をどこまで信じてよいかの目安になります。
7. 3件に1件は、別の担当者が独立に同じ手順で再確認する（サンプル再突合）。同じ人が2回見ても、同じ思い込みを2回するだけです。

この手順を踏むと、AIに候補を挙げさせる意味は「ゼロから思い出す時間を節約する」ことに限定されます。それでも十分に価値があります。重要なのは、AIの出力を一覧表にコピーしないという一点です。

市場環境の時点差をどう扱うか

先例取引の一覧表は、性質上「時期の違う取引」を1枚に並べます。2023年5月の案件と2025年10月の案件では、金利水準も株式市場の水準も、企業に求められる資本効率の水準も同じではありません。倍率だけを縦に並べて中央値を取ると、この差が消えます。

対処は、隠すのではなく注記して見せることです。一覧表に次の3列を足します。

• 公表時点の金利環境：公表月時点の政策金利・10年国債利回りを、日本銀行・財務省の公表値から記入する（推測値は入れない）
• 公表時点の市場水準：対象業種の代表的な市場マルチプル、または市場全体の指数水準を、公表月時点の値で記入する
• 制度環境：適用されていた制度の版。たとえば、義務的公開買付けの基準を「3分の1超」から「30%超」に変更し、市場内取引も対象とする改正金融商品取引法が2026年5月1日に施行されたと整理されています（金融庁「株券等の公開買付けに関するQ&A」令和8年5月1日版に基づく、2026年8月3日確認。個別案件への当てはめは専門家にご確認ください）。施行前後の案件を並べるときは、この列で区別します

そのうえで、集計は期間を区切って2本出すのが安全です。たとえば「全期間の中央値」と「直近18か月の中央値」を並記し、両者が大きく違えば、その差自体を議論の材料にします。差の説明を言葉だけで済ませず、どの案件がどちらに入るかを表で示してください。類似会社比較法（Comps）と違い、先例取引は「過去のある時点で実際に成立した価格」なので、時点の情報を落とすと解釈できなくなります。

プロンプト例：そのままコピーして使える完成形

プロンプト設計の一般論は扱いません（生成AI×ファイナンス実務の活用パターンを参照）。ここでは工程3と工程5で実際に使う2本を、そのまま貼れる形で示します。

プロンプトA：1案件の書類から項目を抽出する

役割：あなたは日本のM&A実務に詳しいアナリストの補助者です。
目的：添付した公開買付届出書および意見表明報告書から、先例取引一覧表に転記する項目を抽出します。
入力資料：添付PDF（公開買付届出書1件、意見表明報告書1件）。添付資料に書かれていることのみを根拠にしてください。
対象期間：当該案件の公表日から公開買付期間の末日まで。
単位：金額は百万円、株価は円、株式数は千株、倍率は「x」、比率は小数第1位までの%。

出力形式：以下の項目を「項目名, 値, 出典ページ番号」の3列CSVで、1行1項目で出力。
  対象会社名 / 公開買付者名 / 公表日 / 公開買付期間（開始日・末日）/ 買付価格 /
  買付予定数の下限 / 買付予定数の上限 / 応募契約の有無 /
  算定機関の名称 / 採用された算定手法 / 各手法の算定レンジ /
  基準株価（公表日前営業日終値・直近1か月平均・直近3か月平均・直近6か月平均の各値）/
  対象者の意見（賛同・中立・反対）/ 特別委員会の設置有無 /
  公開買付け後のスクイーズアウトの方針

計算方法：プレミアムは（買付価格 ÷ 基準株価 − 1）で計算し、4基準すべてについて別行で出力する。

禁止事項：
  - 添付資料に記載のない数値を、一般的な相場観や他案件の情報から補わないこと。
  - 資料の表記にない丸め（億円単位への概算等）を勝手に行わないこと。
  - 「おそらく」「一般的には」といった推測表現で値を埋めないこと。
  - 添付資料に存在しない項目名を出力に追加しないこと。

不明情報の処理：記載を見つけられない項目は、値を「不明」、出典ページを「該当記載なし」と書く。
  推測して埋めることは禁止です。

出典の表示：すべての値について、根拠となったPDFの通しページ番号を必ず添える。

検算：プレミアム4本それぞれについて、「買付価格 ÷ 基準株価 − 1 = 結果」の式を数値入りで併記する。

レビュー項目：最後に「転記時に取り違えやすい箇所」を3点挙げる
  （例：買付予定数の下限と上限、基準株価の期間の取り方、潜在株式を含む株式数の定義）。

プロンプトB：横断集計と欠損の扱い

役割：あなたは先例取引分析の集計担当です。
目的：人が一次情報で確定済みの案件別データを横断集計し、先例取引一覧表の集計行を作ります。
入力資料：以下に貼り付けるCSV（1行1案件）のみを使用します。CSVにない案件を追加してはいけません。
  列：案件名, 公表年月, 取引形態, 買付価格, 公表日前営業日終値, プレミアム,
      株式価値, ネットデット, EV, LTM_EBITDA, EV_EBITDA, 出典書類管理番号
対象期間：CSVに含まれる案件の公表年月の範囲（最古〜最新を出力に明記）。
単位：金額は百万円、倍率は小数第1位までの「x」、比率は小数第1位までの%。

出力形式：
  (1) 有効件数（欠損を除いた実数）を、プレミアムとEV/EBITDAそれぞれについて示す。
  (2) 各指標の 最小値 / 中央値 / 単純平均 / 最大値 / 標準偏差。
  (3) 欠損セルの一覧（案件名, 欠損した列名, 欠損の理由）。
  (4) 全期間の中央値と、直近18か月に限定した中央値の2本を並記する。

計算方法：
  - プレミアムは「公表日前営業日終値」を分母とする値のみを集計対象とする。
  - 分母の基準が異なる値が混在している場合は集計せず、混在している旨を最初に報告する。
  - 平均・中央値・標準偏差は、欠損を除いた実数のみで計算する。

禁止事項：
  - 欠損値を、平均・中央値・前後の案件の値・業界の相場観で補完しないこと。
  - 欠損を 0 として扱わないこと。
  - 取引形態が異なる案件（TOBと事業譲渡等）を、区別せずに1つの母集団として集計しないこと。

不明情報の処理：欠損は空欄のまま残し、集計対象から除外したうえで有効件数を明示する。

出典の表示：集計に使った案件の出典書類管理番号を、集計行の下に一覧で並べる。

検算：合計値と件数を明示し、「平均 ＝ 合計 ÷ 件数」の計算式を数値入りで書く。
  中央値については、並べ替え後の数列をそのまま出力する。

レビュー項目：最後に「この集計値を使ってはいけない場面」を3点挙げる。

出力例（プロンプトB・上記の仮設6案件を入力した場合）

対象期間：2023年5月 〜 2025年10月

【有効件数】
  プレミアム（公表日前営業日終値基準）：4件（全6件中2件欠損）
  EV/EBITDA：4件（全6件中2件欠損）

【プレミアム】並べ替え後：15.0, 30.0, 40.0, 50.0
  最小 15.0% / 中央値 35.0% / 単純平均 33.8% / 最大 50.0%
  検算：合計 135.0 ÷ 件数 4 = 33.75 → 33.8%
  中央値：(30.0 + 40.0) ÷ 2 = 35.0%

【EV/EBITDA】並べ替え後：6.4, 8.0, 8.5, 10.0
  最小 6.4x / 中央値 8.25x / 単純平均 8.2x / 最大 10.0x / 標準偏差 1.29x
  検算：合計 32.9 ÷ 件数 4 = 8.225 → 8.2x
  中央値：(8.0 + 8.5) ÷ 2 = 8.25x

【欠損セル一覧】
  六甲ファインケミカル / プレミアム・EV・LTM_EBITDA・EV_EBITDA / 非上場の相対取引・取引金額非開示
  鶴見インダストリー電子材料事業 / プレミアム・LTM_EBITDA・EV_EBITDA / 事業譲渡・対象事業のEBITDA非開示

【注意】取引形態が「TOB」と「事業譲渡」で混在しています。上記集計はTOB4件のみを母集団としています。

【この集計値を使ってはいけない場面】
  1. 有効件数が4件のため、単一案件の影響が大きく、点推定として提示する場面
  2. 事業譲渡・カーブアウト案件の価格妥当性を論じる場面（母集団に含まれていない）
  3. 制度改正や金利環境が大きく異なる時点の案件について論じる場面

この出力例のうち、「注意」「使ってはいけない場面」までAIに書かせるのが要点です。集計値だけを返させると、その数字の限界が資料から消えてしまいます。

先例取引分析に固有の検証方法

AI出力の一般的な検証手順（出典の実在確認から計算の再現まで）は生成AI出力の検証手順で扱っています。ここでは先例取引分析に固有の12項目を挙げます。

1. 一覧表の全案件について、出典列に書類管理番号が入っているか（空欄の案件は削除する）
2. 買付価格が届出書の記載と一致するか（PDFのページ番号を併記しているか）
3. プレミアムの分母が全案件で同一の基準か（前営業日終値なら全件が前営業日終値か）
4. プレミアムを自分で再計算したか（買付価格 ÷ 基準株価 − 1）
5. 株式数の定義（潜在株式を含むか、自己株式を控除しているか）が全案件で統一されているか
6. ネットデットの基準日が、各案件で「公表日直前の決算期末」に揃っているか
7. EBITDAの定義（のれん償却の扱い、一過性損益の調整の有無）が全案件で統一され、脚注に明記されているか
8. EBITDAの期間がLTMか通期かで混在していないか
9. 単位が百万円で統一され、億円・千円が混ざっていないか
10. 欠損セルが「空欄」であり、0や中央値で埋まっていないか
11. 集計行のnが、欠損を除いた実数になっているか
12. 取引形態（TOB／相対取得／事業譲渡）が異なる案件が、同一の母集団として集計されていないか

7〜9はAIが最も静かに間違える箇所です。定義が違う値でも、AIは何の警告もなく平均を計算します。定義の統一は人が決め、決めた定義を脚注に書く——これを省くと、後で第三者が表を検証できません。

機密情報・個人情報の注意

先例取引分析の入力の多くはEDINET・TDnetで公開されている情報ですが、「どの会社について調べているか」という検索意図そのものが未公表案件の示唆になり得る点に注意が必要です。対象会社名を含むプロンプトを外部サービスに送る前に、社内規程で許容されている範囲を確認してください。詳細な区分の考え方は生成AIに入れてよい情報・いけない情報を参照してください。個人情報保護委員会は、生成AIサービスの利用に関する注意喚起（2023年6月2日付、2026年8月3日確認）で、個人情報を含む内容をプロンプトとして入力する場合に、特定した利用目的の達成に必要な範囲内であることの十分な確認を求めています。

よくある失敗

1. AIが挙げた案件をそのまま並べる。実在確認を飛ばした一覧表は、1件でも架空案件が混ざった時点で全体の信頼を失います。工程2を省略しないでください。
2. プレミアムの基準が案件ごとにバラバラ。ある案件は前営業日終値、別の案件は1か月平均、というまま集計すると、設例のとおり最大3倍の差を含む数列を平均することになります。
3. 欠損を中央値で埋めてレンジを狭める。情報は増えないのに標準偏差だけが約19%縮み、レンジの説得力が偽装されます。
4. 取引形態を区別せずに集計する。上場会社のTOBと、非上場のカーブアウト事業譲渡では、価格の意味が違います。母集団を分けてください。
5. 制度改正や市場環境の時点差を注記しない。2年半にわたる案件を1つの中央値にまとめると、その数字が今日の案件に当てはまる保証はどこにもありません。時点の列を必ず持たせてください。

実務チェックリスト

• 一覧表の列に「出典書類管理番号」列を最初から用意した
• プレミアムの基準を1つに固定し、列名に基準名を書いた
• 4基準の株価を別列で全件保持し、基準の切替が可能な状態にした
• EBITDAの定義を脚注に1文で書き切った（のれん償却・一過性損益の扱いを含む）
• 金額の単位を百万円に統一し、株価のみ円と明記した
• AIの出力と書類の値が食い違った件数を記録した
• 実在確認でヒットしなかった案件を、迷わず一覧から削除した
• 欠損セルを空欄のまま残し、欠損理由を別列に記録した
• 集計行に有効件数nを明記した
• 取引形態別に母集団を分けて集計した
• 全期間と直近期間の2本の中央値を並記した
• 公表時点の金利環境・市場水準・制度環境の列を追加した
• プレミアムとEV/EBITDAを、AIとは独立に自分で再計算した
• 3件に1件を別の担当者が独立に再突合した
• EDINET・JPXの利用規約に照らして、データ取得方法が許容範囲か確認した

面接での答え方（30秒回答例）

質問：「先例取引分析でAIをどう使いますか」

「候補案件の洗い出しと、公開買付届出書からの項目抽出にAIを使います。ただしAIが挙げた案件は必ずEDINETで1件ずつ実在確認し、書類管理番号を控えた案件だけを一覧に残します。プレミアムは公表日前営業日終値を基準に固定して全件揃え、4基準の株価は別列で保持します。非上場案件やカーブアウトのように取得できないデータは空欄のまま残し、有効件数を明記します。中央値で埋めると情報が増えないのにばらつきだけが小さくなり、レンジの説得力を偽装してしまうためです。」

この回答が評価されるのは、AIの効用と限界を工程レベルで切り分けている点、そして欠損の扱いという地味だが判断が必要な論点に踏み込んでいる点です。M&Aの工程全体の理解はM&Aプロセスの6フェーズで押さえておいてください。

よくある質問（FAQ）

Q. AIに「日本の類似取引を10件挙げて」と頼めば済むのではないですか。
A. 候補の洗い出しとしては有効ですが、その出力は「検索キーのリスト」であって分析結果ではありません。AIは実在しない案件や、実在会社の実在しない取引を、実在案件と同じ文体で出力します。EDINETで書類がヒットしない案件はその場で削除し、ヒットした案件だけを書類管理番号とともに残してください。この確認を省いた一覧表は、レビュアーが最初に潰しにかかる箇所です。

Q. 非上場案件のマルチプルはどこで手に入りますか。
A. 買い手・売り手のいずれかが上場会社で、取引が適時開示の対象となる規模であれば、取引価額が開示されることがあります。しかし対象事業単独のEBITDAは通常開示されないため、倍率は計算できないことが多いのが実情です。取得できない場合は空欄のままにしてください。「同業のTOB案件の倍率で代用する」のは、非上場・カーブアウトという条件差を無視した数字を作ることになります。なお、どの取引が開示の対象になるかはTOB開示規制と適時開示の基準で決まるため、そこを押さえておくと「そもそも取れないデータ」の見当がつきます。

Q. 有料データベースを使えば一次情報の確認は不要ですか。
A. 作業量は大きく減りますが、確認が不要になるわけではありません。データベースの値もEBITDAの調整方法やネットデットの基準日について独自の前提を置いているため、自分の一覧表の定義と一致しているかを確認する必要があります。少なくとも、レンジの端に位置する案件（最小・最大の案件）については、届出書の原文で数値を確認してください。端の案件は集計値への影響が大きく、誤りがあると結論が変わります。

まとめ

先例取引分析における生成AIの役割は、候補案件の洗い出しと開示書類からの項目抽出に限られます。案件が実在するかの確認、プレミアムやマルチプルの基準をどう揃えるかの決定、データが取れなかったセルをどう扱うかの判断は、いずれも人が負う工程です。

日本の実務にとって幸運なのは、上場会社のTOBについて公開買付届出書・意見表明報告書という一次情報がEDINETで無料公開されていることです。AIが挙げた案件を1件ずつこの一次情報に突き合わせ、書類管理番号を控えた案件だけを一覧に残す——この地味な工程が、先例取引分析の品質をほぼ決めます。

そして、プレミアムは基準を書かなければ数字になりません。設例では同じ案件・同じ買付価格でも、基準の取り方だけで20.0%から60.0%まで3倍の開きが出ました。欠損については、埋めない勇気が要ります。中央値で2件埋めれば、情報が1件も増えていないのに標準偏差は約19%縮み、レンジは実態より狭く見えます。空欄のまま残し、有効件数を書く。それが読み手に判断材料を渡す唯一の方法です。

出典・参考（2026-08-03確認）

• 金融庁「EDINET（書類検索）」 https://disclosure2.edinet-fsa.go.jp/week0010.aspx
• 金融庁 企画市場局 企業開示課「EDINET API仕様書（Version 2、版数2.9・2026年6月）」 https://disclosure2dl.edinet-fsa.go.jp/guide/static/disclosure/download/ESE140206.pdf
• 金融庁「EDINET利用規約」 https://disclosure2dl.edinet-fsa.go.jp/guide/static/disclosure/WZEK0030.html
• 金融庁 企画市場局「株券等の公開買付けに関するQ&A」（令和8年5月1日） https://www.fsa.go.jp/common/law/kaiji/koukaikaitsuke.pdf
• 金融庁「AIディスカッションペーパー（第1.1版）」（2026年3月3日） https://www.fsa.go.jp/news/r7/sonota/20260303/aidp.html
• 日本取引所グループ「TDnetの概要」 https://www.jpx.co.jp/equities/listing/disclosure/tdnet/
• 日本取引所グループ「サイトのご利用上の注意と免責事項」 https://www.jpx.co.jp/term-of-use/
• 個人情報保護委員会「生成AIサービスの利用に関する注意喚起等について」（2023年6月2日） https://www.ppc.go.jp/news/careful_information/230602_AI_utilize_alert/

※本記事は教育目的の一般的な解説であり、法務・税務・会計・投資に関する助言ではありません。実際の判断は専門家にご確認ください。設例は理解のための仮設例です。AI製品の仕様・料金は変更されることがあるため、利用前に各社の公式情報をご確認ください。