この記事で分かること

  • 機械学習＝データに含まれるパターンを学習させ、予測や分類を行わせる技術であること
  • 教師あり学習（回帰・分類）と教師なし学習の違い、生成AI（LLM）との位置づけの差
  • 整数設例で見る、「的中率90%」という数字だけでは精度を判断できない理由
  • 金融での主な用途と、「過去のパターンが繰り返す」前提が崩れたときの限界

30秒で分かる定義

機械学習とは、人が計算手順を1つずつ書き下すのではなく、データに含まれるパターンをプログラム自身に学習させ、予測や分類を行わせる技術のことです。英語では Machine Learning（読み方：きかいがくしゅう）、略してML、カタカナでマシンラーニングとも呼ばれます。従来のExcelの数式が「売上×利益率＝利益」のように人が関係式を決めて計算させるのに対し、機械学習は過去データから関係式そのものを推定させる点が根本的に違います。金融実務では、与信スコアリング・異常取引の検知・需要予測といった、ルールを人が書き切れない領域で使われます。技術的な仕組みと手法の使い分けはファイナンスのための機械学習入門で詳しく扱っているため、本項では実務で押さえるべき考え方に絞ります。

なぜ実務で重要なのか

ファイナンスの現場で機械学習が話題になるのは、扱うデータ量が人手で処理できる範囲を超えたためです。数万件の取引明細から不正の兆候を探す、数千社の財務データから延滞確率を推定する、といった作業は、条件分岐を人が書き並べる方式では現実的に維持できません。一方で、機械学習の出力は「なぜその結論になったか」が数式として一目で追えないことが多く、審査や投資判断のように説明責任が伴う場面では、精度と説明可能性のバランスが常に論点になります。説明可能AI（XAI）と金融審査で扱われるとおり、金融では「当てられること」と「説明できること」が同時に要求される点が、他業界との大きな違いです。

計算式（または仕組み）

機械学習は、学習の与え方によって大きく2つに分かれます。生成AI（LLM）も広い意味では機械学習の一種ですが、目的と検証方法が異なるため、実務では別枠で整理したほうが混乱しません。

区分与えるデータ代表的な出力金融での例
教師あり学習（回帰）入力と「正解の数値」の組連続値の予測売上高予測、損失額の推定
教師あり学習（分類）入力と「正解のラベル」の組区分の判定・確率延滞するか否か、不正か否か
教師なし学習入力のみ（正解なし）グループ分け、外れ値の抽出顧客セグメント化、異常検知
生成AI（LLM）大量のテキスト等文章・要約・コードの生成開示資料の要約、下書き作成
機械学習の予測は「過去に観測されたパターンが将来も繰り返す」という前提の上に成り立つ

この前提は制度変更・市場構造の転換・前例のない事象が起きた局面で崩れます。学習に使ったデータの期間に含まれない状況では、機械学習の予測精度は保証されません。

整数設例で確認する

設例（架空の数値です）。ある与信判定モデルを、検証用の1,000件で評価したとします。この1,000件のうち、実際に延滞したのは100件（10%）でした。

モデルが「延滞する」と予測したのは120件で、そのうち実際に延滞したのは60件でした。ここから3つの指標を計算します。

  • 正しく当てた件数：延滞を当てた60件 ＋ 非延滞を当てた840件 ＝ 900件
  • 的中率（全体）＝ 900 ÷ 1,000 ＝ 90%
  • 延滞予測の精度 ＝ 60 ÷ 120 ＝ 50%（延滞と予測したうち、実際に延滞した割合）
  • 延滞の捕捉率 ＝ 60 ÷ 100 ＝ 60%（実際の延滞のうち、拾えた割合）

検算します。実際の非延滞は1,000 − 100 ＝ 900件。うち誤って「延滞」と予測したのが120 − 60 ＝ 60件なので、正しく非延滞と予測したのは900 − 60 ＝ 840件。よって的中件数は60 ＋ 840 ＝ 900件、的中率は90%で一致します。

ここで重要なのは、「全件を非延滞と予測するだけの何もしないモデル」でも的中率は900 ÷ 1,000 ＝ 90%になることです。同じ90%でも、延滞を1件も拾えないモデルと、延滞の60%を拾えるモデルは実務上まったく価値が異なります。的中率という単一の数字だけでモデルの良し悪しを語ってはいけない、というのが機械学習を扱う際の最初の関門です。

金融での主な用途と限界

実務で定着している用途は、おおむね次の3系統に整理できます。

  • 与信・信用リスクの推定：財務データや取引履歴から延滞確率を推定します。銀行の内部モデルとしての利用には規制上の要件が伴い、詳細は信用リスク予測にAIを使うで扱っています
  • 異常検知：通常のパターンから外れた取引を抽出します。不正検知の文脈では、誤検知（正常な取引を疑う）と未検知（不正を見逃す）のどちらをどこまで許容するかの設計が中心論点になります
  • 需要・売上の予測：季節性やトレンドを含む時系列の予測に用います。予測の当たり外れをどう測るかは予測精度の考え方に従います

限界も明確です。学習データに存在しない事象は予測できません。またデータに含まれる過去の偏りをそのまま学習してしまうため、公平性の観点からの点検が別途必要になります。

実務での使い方

  • まず「予測したい対象（目的変数）」を1つに定め、その正解データが十分な件数そろっているかを確認します。ここが曖昧なまま着手すると、後工程がすべて手戻りになります
  • データは必ず学習用と検証用に分けます。分けずに評価した精度は意味を持ちません（データ検証の基本です）
  • Excelレベルでも、散布図と近似曲線・相関係数の確認で「そもそも関係がありそうか」を先に見ておくと、無駄な高度化を避けられます
  • モデルの出力をレポートに載せる前に、極端値・桁・符号を人が独立に点検します。自動計算された数値ほど、桁感の確認が省略されがちです

この用語を「使える」状態にする

予測モデルの評価指標を自分で計算し、的中率だけに頼らずモデルの良し悪しを判断できるようになる。

教材ラインナップを見る →

実務家が確認するポイントとよくある誤解

誤解1：「機械学習＝生成AI」→ 生成AIは機械学習の一分野ですが、目的が文章や画像の生成にあり、数値予測・分類を目的とする従来型の機械学習とは評価方法も検証方法も異なります。AIを使った財務モデリングで扱う話題は主に後者の生成AI側です。

誤解2：「データが多ければ精度は上がる」→ 件数が多くても、予測したい事象の発生件数が少なければ学習は安定しません。上の設例のように延滞が100件しかない場合、件数の絶対値が制約になります。

誤解3：「相関が見つかった＝原因が分かった」→ 機械学習が捉えるのは相関であって因果ではありません。施策の効果を語る場面では、因果と相関の区別が必須です。

確認ポイント：そのモデルが学習に使ったデータの期間と範囲を必ず確認し、いま予測しようとしている状況がその範囲に含まれるかを問います。

日本実務での扱い

日本の金融機関では、機械学習モデルを審査や与信の判断に用いる場合、判断根拠の説明可能性と、個人情報の取扱いの2点が実務上の制約になります。個人情報保護法では、個人データの利用目的の特定と公表が求められると規定されており、学習データとして個人情報を用いる場合には目的の範囲内かどうかの確認が必要です。また経済産業省・総務省の「AI事業者ガイドライン」では、AIの開発・提供・利用の各主体が果たすべき事項が整理されています。個別の適用可否は法務・コンプライアンス部門および専門家への確認が前提となります（2026年8月時点）。

面接・モデルテストで問われるポイント

Q：教師あり学習と教師なし学習の違いを説明してください。
「教師あり学習は入力と正解の組をセットで与え、正解を当てる関係式を推定させる方法で、売上予測のような回帰と、延滞するか否かのような分類に分かれます。教師なし学習は正解を与えず、データの構造そのもの（グループ分けや外れ値）を取り出す方法です。与信スコアリングは前者、異常検知は後者が中心になります。」

深掘りでは「精度をどの指標で測るか」「的中率が高いのに使えないモデルの例」が問われます。上の設例の90%の話ができると、指標を1つしか見ていない候補者との差がつきます。

よくある質問（FAQ）

Q. 機械学習を使えば将来の株価は予測できますか。
A. 本項は特定の投資手法を推奨するものではありませんが、一般論として、機械学習は過去のパターンが繰り返すことを前提とする技術であり、参加者の行動によって関係が変化し続ける市場では、その前提が成立する保証はありません。検証結果が良く見えた場合ほど、バックテストの設計に誤りがないかを先に疑うのが実務の作法です。

Q. Excelしか使えなくても機械学習の議論についていけますか。
A. 十分に可能です。実務で問われるのは実装よりも、目的変数の設定・データの分割・評価指標の選び方といった設計の妥当性です。これらはExcelレベルの集計と検算で確認できます。

出典・参考（2026-08-03確認）