3万円、5万円の「AI搭載EA」――そのAIは今も相場を見ている？
3万円、5万円で販売されている「AI搭載EA」。
MT4へ入れて起動すれば、AIが現在の相場を分析し、エントリーまで判断してくれる――。
「AI搭載」と聞けば、そんな仕組みを想像する人もいるのではないでしょうか。
でも、そのAIは本当に運用中に相場を見ているのでしょうか？
「AI搭載」と聞いて想像するもの
FXやEAの販売ページでも、
- AIが相場を分析
- AIがエントリーを判断
- 機械学習を活用
- AIが相場環境に対応
といった言葉を見かけます。
こうした説明だけを見れば、
「EAの中でAIが現在の相場を見ながら、その都度売買を判断している」
という仕組みを想像しやすいでしょう。
現在の価格や値動きをAIが受け取り、相場環境を分析する。
そして、「買い」「売り」「見送り」といった判断を返し、EAが注文を出す。
確かに、このような仕組みを作ることはできます。
ただし、ここで一つ切り分けておきたいことがあります。
「AIが使われている」ことと、「運用中のEAがAIを使って判断している」ことは、必ずしも同じではありません。
でも、「AIを使った」のはいつ？
「AI搭載EA」という言葉だけを見ると、完成したEAの中で、運用中もAIが動いているように受け取れます。
しかし、AIを使えるのは運用中だけではありません。
EAを作る段階で相場データを分析したり、売買ロジックの候補を探したり、条件を検討したりするためにAIを使うこともできます。
つまり、
AIを使って「作られたEA」なのか。
それとも、
EAを動かしている「今もAIが判断している」のか。
ここは分けて考える必要があります。
「AI搭載」と書かれているだけでは、少なくともそのAIがいつ使われているのかまでは分かりません。
まず確認したいのは、「AIを使っているか？」ではなく、「AIはいつ使われているのか？」です。
では最初に、
「AIを使ってEAを作った」場合と、「運用中にもAIが判断している」場合では何が違うのか。
ここから順番に見ていきましょう。
「AIを使って作ったEA」と「AIが判断しているEA」は同じではない
ここでまず分けて考えたいのが、EAを作るときにAIを使うことと、完成したEAを動かしているときにAIを使うことです。
この2つは、同じ「AIを使ったEA」でも意味が異なります。
AIで相場やロジックを研究する
EAを作る前には、売買ルールを決めるためのさまざまな作業があります。
たとえば、
- 過去の相場データを分析する
- 売買条件の候補を探す
- 複数の条件を比較する
- ロジックのアイデアを検討する
- プログラム作成を補助する
といった工程です。
こうした開発段階でAIを利用することはできます。
Machine Learning（機械学習）を使って過去データから特徴や条件を探すこともあれば、生成AIを使ってロジックの検討やコード作成を補助することもあります。
そして、その結果から売買ルールが決まれば、固定されたルールとしてEAへ組み込むこともできます。
イメージすると、
AIで分析・検討する
↓
売買ロジックを決める
↓
EAへ組み込む
↓
決められたルールに従って売買する
という流れです。
この場合、AIはEAを作る過程では使われています。
しかし、完成したEAをMT4やMT5で動かしたあとも、AIが現在の相場を分析し続けているとは限りません。
「AIを使って開発したEA」と、「運用中にもAIが判断しているEA」は別の仕組みです。
完成後は通常のEAとして動くこともある
たとえば、開発段階でAIを使って、
「この条件の組み合わせを売買ルールにしよう」
と決めたとします。
その条件がEAへ組み込まれたあとは、
条件Aを満たしたら買う
条件Bを満たしたら売る
条件を満たさなければ何もしない
といった、あらかじめ決められたルールで動かすことができます。
つまり、
開発時にはAIを使っていても、運用時は固定された売買ルールだけで動くEA
も成立します。
ここで重要なのは、
「AIを使って作った」
という事実だけでは、
「運用中もAIが現在の相場を見て、その都度判断している」
とまでは言えないことです。
では、本当に運用中にもAIが判断しているEAでは、そのAIはどこで、どのように判断しているのでしょうか？
次は、運用中にAIを使う仕組みをもう一段掘ってみます。
外部につながっていなくても、AIは相場を判断できる
前の章では、
「AIを使ってEAを作った」ことと、「運用中にもAIが判断している」ことは別
だと整理しました。
では、本当に運用中にもAIを使っている場合、その判断はどこで行われているのでしょうか。
ここで一つ知っておきたいのが、
必ずしも外部のAIサービスへ接続する必要はない
ということです。
PC内の学習済みAIモデルで判断する
AIというと、インターネットの向こう側にあるシステムへデータを送り、そこで分析された結果を受け取る仕組みを想像しやすいかもしれません。
ただ、構成によっては、あらかじめ学習を済ませたAIモデルを、EAを動かしているPC側で使うこともできます。
ここでいう「AIモデル」は、AIそのものが中に入って動いているわけではありません。
少し簡単に言えば、
過去のデータから学習した結果を使って、新しいデータから判定を出すための計算の仕組み
です。
たとえば現在の相場データを入力すると、その学習結果を使って計算し、
「買いに近い」
「売りに近い」
「今回は見送る」
といった判定を返します。
流れを簡単にすると、
現在の相場データ
↓
過去データから学習して作られたモデル
↓
現在の状態を判定
↓
EAがその結果を売買ロジックに利用する
というイメージです。
つまり、運用中に毎回AIが一から考え直しているというより、
あらかじめ作られた学習済みモデルへ現在の相場データを入れ、その結果を売買判断に使っている
と考える方が分かりやすいでしょう。
この場合、学習済みモデルは運用中の判断にも使われています。
それでも、判断するたびに外部のAIへ相場データを送る必要はありません。
外部AIへ接続していなくても、学習済みモデルをPC側で使い、運用中の判断に利用することはできます。
つまり、
「外部へ通信していない」＝「運用中にAIを使っていない」
とは限らないということです。
「AIが判断している」＝「今も学習している」ではない
もう一つ、ここで分けておきたいことがあります。
「AIが運用中に判断している」と聞くと、
取引しながら学習を続け、少しずつ賢くなっていく
ような仕組みを想像するかもしれません。
ですが、必ずしもそうではありません。
今回のような学習済みモデルを使う仕組みでは、
過去のデータなどを使ってモデルを作る「学習」
と、
学習済みのモデルへ新しいデータを入れ、結果を出す「推論」
を分けて考えることができます。
EAを動かしている間に行っているのが、この推論だけという構成もあります。
たとえば、
過去データであらかじめ学習する
↓
学習結果からモデルを作る
↓
現在の相場データを入力する
↓
モデルが判定結果を返す
↓
EAがその結果を売買判断に利用する
という流れです。
この場合、運用中には学習済みモデルを使って判定しています。
ただし、その場で新しく学習を続けているわけではありません。
「運用中にAIを使って判断している」と「運用中もAIが学習し続けている」は、同じ意味ではありません。
ここまで見てくると、
開発時だけAIを使うEA
だけでなく、
運用中にも、学習済みモデルを使って判断するEA
があることも見えてきます。
では、最初にイメージしたような、
現在の相場データを外へ送り、外部にあるAIが分析して結果を返す仕組み
もあるのでしょうか。
次は、外部AIと連携するEAを見ていきます。
外部AIに現在の相場を分析させるEAもある
前の章では、外部のAIサービスへ接続しなくても、
PC側の学習済みモデルを使って、運用中の判断に利用できる
ことを見てきました。
では、記事の冒頭でイメージしたような、
現在の相場データを外へ送り、外部で分析した結果をEAへ返す
という仕組みもあるのでしょうか。
こうした外部連携型の構成も可能です。
MT4 / MT5から相場データを外へ送る
外部連携型では、EAを動かしているPC側だけで処理を完結させず、必要なデータを外部Serverへ送ります。
そこで計算や分析を行い、その結果をEA側へ返すという流れです。
大まかにすると、
MT4 / MT5上のEA
↓
現在の相場データなどを外部Serverへ送る
↓
外部環境でAIを使った計算・分析を行う
↓
判定結果をEAへ返す
↓
EAがその結果を売買ロジックに利用する
という形になります。
EAから外部へ送る情報は仕組みによって異なりますが、
- 現在の価格
- 過去の値動き
- インジケーターの値
- 時刻
- スプレッド
など、判断に必要なデータを利用できます。
外部側では、受け取ったデータを使って計算や分析を行い、その結果をEAへ返します。
EAは、その結果を売買判断の一部として利用します。
ここでいう「外部AI」も、AIそのものがServerの中で人間のようにチャートを眺めているわけではありません。
実際には、
EAから送られてきたデータを外部環境で処理し、その判定結果をEAへ返している
と考える方が分かりやすいでしょう。
外部連携型では、EAが相場データを外へ送り、外部で処理した結果を受け取って売買判断に利用するという流れになります。
「AIが今の相場を見ている」に近い仕組み
ここまでの流れは、記事の冒頭でイメージした、
「AIが現在の相場を分析し、その結果をEAが使う」
という姿にかなり近いものです。
これまで見てきた、
AIを使ってEAを開発し、完成後は固定されたルールで動かす形
では、運用中にAIが判断しているとは限りません。
一方、
PC側の学習済みモデルを使う形
では、運用中に判定は行われますが、外部へデータを送る必要はありません。
そして今回の外部連携型では、
現在の相場データをEAの外へ送り、別の環境で処理した結果を受け取る
という違いがあります。
ここまでを整理すると、「AI搭載EA」には少なくとも、
① 開発するときにAIを使う
② 運用中にPC側の学習済みモデルを使う
③ 運用中に外部Server側でAIを使った処理を行う
という異なる使い方があります。
同じ「AI搭載EA」という言葉でも、
AIが使われるタイミングも、場所も、役割も同じとは限らない
ということです。
外部Serverと通信しているだけで、「AIを使っている」と判断することはできません。
外部側で実際にどのような処理が行われているかは、公開されている情報から確認する必要があります。
そして、外部でAIを使った処理を継続するのであれば、もう一つ気になることがあります。
Serverを用意し、通信を行い、必要な処理を続ける。
その仕組みは、どうやって維持されているのでしょうか？
次は、「AI」という言葉から少し離れて、その裏側にある運用の仕組みを見ていきます。
その外部AIは、どうやって動き続けている？
前の章では、
EAから現在の相場データを外へ送り、外部で処理した結果を受け取る
という仕組みを見てきました。
ここまで来ると、もう一つ気になることがあります。
外部でAIを使った処理を行うのであれば、その仕組みはEAを購入したあとも動き続けなければなりません。
では、
その外部AIは、何を使って動き続けているのでしょうか？
外部連携には「動かし続ける仕組み」がある
外部AIと連携するEAでは、AIモデルや分析ロジックだけ用意すれば終わり、というわけではありません。
構成によって違いはありますが、
- 外部Server
- 計算を行うためのCPUやGPU
- EAとの通信
- API
- データの送受信
- 利用者から届く処理への対応
- Serverやシステムの保守
などが必要になる場合があります。
たとえば、
EAから相場データが届く
↓
Serverが受け取る
↓
必要な計算やAIを使った処理を行う
↓
結果をEAへ返す
という流れを続けるなら、その受け皿となる環境も継続して動かす必要があります。
もちろん、すべての構成に高性能なGPUが必要なわけではありません。
軽い処理であれば、小さなServerだけで動かせる場合もあります。
一方で、大きなモデルや計算量の多い処理を常時行うのであれば、それだけ大きな計算環境が必要になることもあります。
外部AIを使う仕組みでは、AIモデルや分析ロジックだけでなく、それを動かし、EAと通信し続けるための環境も必要になります。
実際、どのくらいのコストがかかる？
ここは少し具体的な数字を見てみましょう。
クラウドServerには、比較的小さな構成もあります。
たとえば小規模なLinux Serverでは、2026年9月時点の公開料金を円換算すると、
月約800円
月約1,100円
月約1,900円
月約3,800円
といった構成があります。
つまり、
「外部Serverを使っている＝ものすごく高額」
とは限りません。
小さなServerで済む仕組みなら、月1,000円前後から数千円程度で運用できる場合もあります。
一方で、AIの処理にGPUを使う構成になると、数字は大きく変わります。
たとえばCloud上のNVIDIA T4では、現在の公開料金を円換算すると1時間あたり約55円。
これを仮に24時間、30日間動かし続けると、
約4万円 / 月
になります。
さらにNVIDIA V100では1時間あたり約390円となり、同じ条件で常時稼働させれば、
約28万円 / 月
です。
もちろん、これはGPU部分だけを単純に24時間動かした場合の計算です。
実際には、
- 必要なときだけ動かす
- 複数の利用者で共有する
- より軽い処理を使う
- 割引Planを利用する
- GPUを使わない
など、構成によってコストは大きく変わります。
また、自前でAIの計算環境を持たず、外部のAI APIを利用する方法もあります。
この場合は、
Serverを1か月借りる固定費
というより、
どれだけ処理を利用したか
によって料金が変わる従量課金になることもあります。
つまり、外部AIの運用コストには、
月1,000円前後から数千円程度で成立する構成
もあれば、
GPUや大量の処理を使い、月数万円から数十万円以上になる構成
もあり得るということです。
ここで示している金額は、「AI搭載EAの一般的な運用費」ではありません。
2026年9月時点の公開料金を円換算した例であり、外部AIを動かす仕組みにどの程度コストの幅があり得るのかを見るためのものです。
そして、ここで記事のタイトルにもつながる疑問が出てきます。
たとえば、
39,800円の買い切り型「AI搭載EA」。
もし、そのEAが購入後も外部へ相場データを送り続け、何年もAIを使った分析を行う仕組みだとしたら――。
そのServerやAIの運用費は、どのように維持されているのでしょうか？
これは、
「安いからAIではない」
という話ではありません。
ただ、
外部AIを使っているなら、その裏側にはどんな運用構造があるのか？
と考えるきっかけにはなります。
では、販売価格を見れば、そのAIが本物かどうかまで判断できるのでしょうか。
次は、ここをもう少し慎重に考えてみます。
「安いからAIではない」とは判断できない
前の章では、外部でAIを使った処理を続ける場合、
小さなServerで済む構成もあれば、GPUなどを使って大きなコストがかかる構成もある
ことを見てきました。
そこで気になるのが、EAの販売価格です。
たとえば、
39,800円の買い切り型AI搭載EA。
外部ServerやAIの運用に継続的なコストがかかるのであれば、
「この価格で本当に外部AIを動かし続けられるの？」
と感じるかもしれません。
確かに、考えてみる価値のある疑問です。
ただし、
販売価格だけを見て、「AIではない」と判断することはできません。
販売価格と、1人あたりの運用コストは別
まず考えたいのが、
その仕組みをどのように運用しているのか
ということです。
たとえば、1台のServerを1人の利用者だけのために動かしているとは限りません。
複数の利用者で同じ環境を共有していれば、Serverなどにかかる費用の一部は、1人あたりで見たときの負担を小さくできる場合があります。
一方で、
- APIの利用量
- AIを使った処理の回数
- 扱うデータ量
- 同時に処理する人数
などに応じて増えていく費用もあります。
つまり、
利用者が増えれば、すべてのコストをそのまま人数で割れるわけではありません。
利用量と直接連動しにくい費用もあれば、使うほど増えていく費用もある。
その組み合わせによって、1人あたりにかかる運用コストも変わってきます。
さらに、EAの販売価格についても、
1本の販売価格と、その利用者にかかる運用コストがそのまま対応している
とは限りません。
販売本数や運用期間、利用者数などによって、全体の収支構造も変わり得ます。
つまり、
「EAの販売価格」と「外部AIを運用するためのコスト」は、単純に並べて比較できるものではない
ということです。
AIの使い方によってもコストは変わる
もう一つ大きいのが、
AIをどのように使っているのか
という違いです。
たとえば、
相場データを頻繁に外へ送り、何度も処理する仕組み。
必要なタイミングだけ外部へ問い合わせる仕組み。
一部の判定はPC側で行い、必要な処理だけ外部へ送る仕組み。
こうした構成の違いによって、必要になる処理量は変わります。
さらに、
1回の判定に必要な計算量
判定する回数
同時に利用する人数
などによっても、必要な計算環境は変わってきます。
外部AIを使っているという事実だけでは、運用コストまでは分かりません。使い方や処理量、利用人数などによって変わります。
ここまで考えると、
「3万円だからAIではない」
「10万円だから本格的なAIだ」
といった判断もできないことが見えてきます。
価格は、
「この仕組みはどうやって維持されているのだろう？」
と考えるきっかけにはなります。
ただし、それだけで内部の仕組みまで決めることはできません。
販売価格が安いことも、高いことも、それだけではAIがどこで、どのように使われているかを判断する材料にはなりません。
つまり、「AI搭載EA」を見るときに重要なのは、
価格だけから仕組みを推測するのではなく、実際にどのようにAIが使われていると説明されているかを見ること
です。
そして、ここでもう一つ大事な疑問が残ります。
仮に、
「このEAでは、本当にAIが使われている」
ことが確認できたとします。
では、それだけで、そのEAは優秀だと言えるのでしょうか。
次は、
「本当にAIを使っているか」と「そのEAに優位性があるか」
を分けて考えてみます。
本当にAIなら、そのEAは優秀なのか？
ここまで、
AIはいつ使われているのか。
どこで処理されているのか。
そして、
販売価格だけでは、その仕組みまでは判断できない
ことを見てきました。
では、仮に販売ページの説明や公開されている情報から、
「このEAでは、本当にAIが使われている」
ことが確認できたとします。
それなら、そのEAはAIを使わないEAより優秀なのでしょうか。
ここでも、一度分けて考える必要があります。
AIを使っていることと、利益が出ることは別
AIや機械学習は、過去のデータから特徴を探したり、複数の情報をもとに判定を出したりするために使われることがあります。
相場データを入力し、
「上昇する可能性が高い」
「下落する可能性が高い」
「今回は見送る」
といった結果を出す仕組みを作ることもできます。
ただし、
その判定に一定の精度や有効性があることと、実際の取引で利益が残ることは同じではありません。
実際に売買するときには、
- スプレッド
- 取引手数料
- スリッページ
- 約定条件
- エントリーや決済のタイミング
- ロット数
- リスク管理
なども結果に関わってきます。
たとえば、AIによる判定に一定の有効性があったとしても、その差が小さければ、取引コストなどを差し引いたあとに利益として残らないこともあります。
反対に、予測の的中率だけでEAの収益性が決まるわけでもありません。
どのくらい利益を伸ばし、どのくらい損失を抑えるのか。
どの頻度で取引するのか。
どの程度のリスクを取るのか。
こうした売買全体の設計によっても結果は変わります。
AIによる判定の精度や有効性と、EAとして利益を残せるかどうかは、同じ評価ではありません。
相場環境が変われば、結果も変わり得る
もう一つ考えておきたいのが、
どの相場環境でその仕組みが機能するのか
ということです。
学習済みモデルは、学習に使ったデータをもとに作られ、その後に入力される新しいデータから判定を出します。
しかし、相場はいつも同じ状態ではありません。
たとえば、
値動きが比較的落ち着いている相場。
急激に変動している相場。
トレンドが続いている相場。
方向感が出にくい相場。
経済指標などで短時間に状況が変化する場面。
こうした環境の違いによって、同じ仕組みでも結果が変わる可能性があります。
つまり、
AIを使っているから、どんな相場でも同じように機能する
とは限りません。
これはAIに限った話ではなく、EAの売買ロジック全体にも言えることです。
どのような仕組みであっても、
どのような相場環境を想定しているのか。
そして、
相場環境が変わったときに、結果がどう変化するのか。
ここは確認しておきたいところです。
「AIかどうか」と「優位性があるか」は別の問い
ここまで整理すると、
本当にAIを使っているか？
という疑問と、
そのEAに取引上の優位性があるか？
という疑問は、別のものだと分かります。
AIを使っていることが確認できても、
それだけで、
利益が出る
AIを使わないEAより優れている
将来も同じように機能し続ける
とまでは言えません。
一方で、
AIを使っていないからといって、それだけで取引上の優位性がないとも言えません。
重要なのは、
「AIを使っているかどうか」だけではなく、その仕組みが実際の売買でどのような結果につながるのか
を見ることです。
「AI搭載」は、EAの仕組みを説明する情報の一つです。
それだけでEAの性能や将来の収益性まで判断することはできません。
ここまで見てくると、「AI搭載EA」という言葉を見るときに確認したいことも整理されてきます。
AIという言葉そのものより、
いつ使われているのか。
どこで使われているのか。
何をしているのか。
では最後に、この3つの問いへ記事全体をまとめてみましょう。
「AI搭載EA」を見たら、まず3つを確認する
ここまで、「AI搭載EA」という言葉の裏側を順番に見てきました。
最初は、
「AI搭載なら、AIが現在の相場を見ながらエントリーを判断しているのだろう」
とイメージしていたかもしれません。
しかし実際には、「AIを使っている」といっても、その使われ方は一つではありません。
開発するときにAIを使うこともあれば、
運用中にPC側の学習済みモデルを使うこともあります。
現在の相場データを外部へ送り、外部Server側でAIを使った処理を行う構成もあります。
そして、AIが使われていることが確認できたとしても、
それだけでEAの性能や将来の収益性まで決まるわけではありません。
では、「AI搭載EA」という言葉を見たとき、何を確認すればよいのでしょうか。
難しい技術用語をすべて覚える必要はありません。
まずは、次の3つを分けて考えてみます。
AIは「いつ」使われている？
最初に確認したいのは、
そのAIがいつ使われているのか
です。
たとえば、
EAを作るときに使われているのか。
それとも、
EAを動かしている間にも使われているのか。
ここが違うだけで、「AI搭載EA」という言葉から想像する仕組みは大きく変わります。
開発段階でAIを使って相場データを分析し、売買条件を決めたあと、完成したEAは固定されたルールだけで動くこともできます。
一方で、運用中にも学習済みモデルを使い、現在の相場データから判定を出す構成もあります。
つまり、
「AIを使って作った」のか。
「運用中にもAIを使っている」のか。
まずは、ここを分けて見ることが一つ目のポイントです。
AIは「どこ」で使われている？
次に確認したいのが、
運用中にAIを使う場合、その処理がどこで行われているのか
です。
運用中にAIを使っているからといって、必ず外部のAIサービスへ接続しているとは限りません。
学習済みモデルをPC側で使い、外部通信なしで判定する構成もあります。
反対に、
EAから相場データを外部へ送り、Server側で処理した結果を受け取る
という構成もあります。
外部で処理する仕組みであれば、Serverや通信、APIなど、それを継続して動かすための環境も関わってきます。
ただし、
外部通信している＝AIを使っている
とも限りません。
販売価格の高低だけでも、内部の仕組みまでは判断できません。
だからこそ、
PC側で処理しているのか。
外部Server側で処理しているのか。
公開されている情報から、どこまで確認できるのかを見ることが二つ目のポイントです。
AIは「何」をしている？
最後に確認したいのが、
そのAIが何に使われているのか
です。
「AI搭載」と書かれていても、
相場データの分析に使われているのか。
売買条件を探すために使われているのか。
運用中の判定に使われているのか。
EAの開発やプログラム作成を補助するために使われているのか。
その役割によって意味は変わります。
そして、運用中にAIが売買判断へ関わっていることが確認できたとしても、
「AIを使っている」ことと「そのEAに取引上の優位性がある」ことは別です。
AIという言葉は、EAの仕組みを知るための一つの情報です。
それだけで、
利益が出る
AIを使わないEAより優れている
将来も同じように機能し続ける
と判断することはできません。
「AI搭載EA」を見たら、まず確認したいのは「いつ使う？」「どこで使う？」「何をしている？」の3つです。
もちろん、販売ページだけでは、この3つすべてを確認できないこともあるでしょう。
その場合は、公開されていない部分を想像で埋める必要はありません。
確認できないことは、確認できない情報として残す。
そのうえで、公開されている範囲から仕組みを見ていくことが大切です。
「AI搭載」という言葉を見て、
「AIだから凄そう」
で終わるのではなく、
「このEAでは、何がAIなんだろう？」
と一度立ち止まってみる。
そこから、
いつ使われているのか。
どこで使われているのか。
何をしているのか。
と一つずつ確認していけば、「AI」という言葉だけでは見えなかったEAの仕組みも、少しずつ見えてきます。
あとがき
「AI搭載」という言葉は、これからEAの世界でもさらに増えていくかもしれません。
AIを使っていること自体が問題なのではなく、大切なのは、
そのAIが、いつ・どこで・何をしているのか。
そこを一つずつ見ていくことです。
新しい技術だからこそ、名前の印象だけで判断するのではなく、仕組みを知ったうえで自分なりに考える。
この記事が、「AI搭載EA」という言葉を見たときに、一度立ち止まって中身を確認するきっかけになれば幸いです。
参考資料・出典
本記事では、「AI搭載EA」におけるAI・Machine Learningの定義、学習済みモデルの実行、MT4 / MT5と外部Serverとの通信、Cloud・GPU・APIの運用コスト、AIによる予測と実際のTrading上の収益性の違いなどを確認するため、NIST、MetaQuotes、Cloud Service各社の公式資料、学術研究を参照しています。
主要資料
National Institute of Standards and Technology（NIST）｜AI – Glossary
AI（Artificial Intelligence）という言葉の定義と範囲を確認し、AIとMachine Learningを完全な同義語として扱わないための基礎資料として参照。
https://csrc.nist.gov/glossary/term/AI
National Institute of Standards and Technology（NIST）｜Machine Learning – Glossary
Machine Learningの定義を確認し、本記事内でAIという広い概念とMachine Learningを区別して説明するために参照。
https://csrc.nist.gov/glossary/term/machine_learning
National Institute of Standards and Technology（NIST）｜training stage – Glossary
Machine Learningにおいて、Training Dataを使ってModelのParameterを学習する「学習段階」の定義確認に参照。「運用中にAIを使って判断していること」と「運用中も学習を続けていること」を分けて説明するための資料として使用。
https://csrc.nist.gov/glossary/term/training_stage
MetaQuotes｜Running a model – ONNX models – MQL5 Reference
MQL5から学習済みONNX Modelを読み込み、入力・出力を設定してOnnxRunで実行できる公式仕様を確認するために参照。外部AIへ接続しなくても、PC側で学習済みModelを使って判定できる構成の技術的根拠として使用。
https://www.mql5.com/en/docs/onnx/onnx_mql5
MetaQuotes｜Description of External Functions – MQL4 Reference
MQL4から外部DLLやEX4 LibraryのFunctionを呼び出せる公式仕様を確認するために参照。MT4でも外部の処理を組み合わせる実装経路が存在することを確認するために使用。
https://docs.mql4.com/basis/function/extfunctions
MetaQuotes｜WebRequest – MQL4 Reference
MQL4からHTTP Requestを外部Serverへ送り、Responseを受け取れる公式仕様を確認するために参照。EAから外部ServerへDataを送り、処理結果を受け取る構成が可能であることの確認に使用。
https://docs.mql4.com/common/webrequest
MetaQuotes｜WebRequest – MQL5 Reference
MQL5からHTTP Requestを外部Serverへ送り、Responseを受け取れる公式仕様を確認するために参照。MT5上のEAと外部Serverを連携させる構成の確認に使用。
https://www.mql5.com/en/docs/network/webrequest
MetaQuotes｜Network Functions – MQL5 Reference
MQL5ではWebRequestに加え、Socketを利用してRemote ServerとDataを送受信できることを確認するために参照。外部AI・外部Serverとの通信経路を説明する際の技術資料として使用。
https://www.mql5.com/en/docs/network
Amazon Web Services｜Amazon Lightsail Pricing
外部Serverを継続運用する際、小規模なCloud Serverであれば比較的低い月額料金から利用できることを確認するために参照。本記事では「外部Serverを使う＝必ず高額」とは限らないことを示す料金例として使用。
https://aws.amazon.com/lightsail/pricing/
Google Cloud｜GPU pricing
Cloud上でGPUを利用する場合の料金を確認するために参照。AIの処理内容や必要な計算環境によって、運用コストが大きく変わり得ることを示す具体例として使用。
https://cloud.google.com/products/compute/gpus-pricing
OpenAI｜API Pricing
AI APIには、Modelや入力・出力などの利用量に応じて料金が発生する仕組みがあることを確認するために参照。外部AIを利用する場合、固定的なServer費用だけでなく、利用量に応じた従量課金型のコストもあり得ることを説明するために使用。
https://developers.openai.com/api/docs/pricing
Moksh Khemka et al.｜Machine learning in stock market forecasting: a comprehensive review
Machine Learning・Deep Learningを用いた金融市場予測研究を整理したReview。金融市場の予測ではData、予測期間、評価方法、相場環境などによって結果が異なることを確認し、「AIを使っていること」と「Trading上の優位性」を単純に同一視しないための参考資料として使用。
https://link.springer.com/article/10.1007/s10791-026-10491-5
The Review of Financial Studies｜Machine Learning and the Implementable Efficient Frontier
Machine LearningによるReturn Forecastだけでなく、Trading Costを考慮した実装可能なPortfolio Performanceを評価する必要性を示した研究。予測性能と、取引コストを差し引いた実際の収益性を分けて考えるためのEvidenceとして参照。
https://academic.oup.com/rfs/advance-article/doi/10.1093/rfs/hhag022/8524346
Yaohao Peng, João Gabriel de Moraes Souza｜Chaos, overfitting and equilibrium: To what extent can machine learning beat the financial market?
Machine Learningによる金融市場予測について、In-SampleとOut-of-SampleのPerformance、Hyperparameter、Trading Strategyの収益性などを検証した研究。学習・検証段階で良好な結果を示すことと、未知のDataや実際のTradingで同じ結果が得られることを分けて考えるための参考資料として使用。
https://www.sciencedirect.com/science/article/pii/S105752192400406X
※MetaQuotesの資料は、MT4 / MT5で上記のような技術的構成が可能であることを確認するために参照しています。特定の市販EAが実際にONNX、DLL、WebRequest、Socket等を使用していることを示すものではありません。
※Cloud Server・GPU・AI API等の料金は、Region、利用方法、契約条件、為替、Service側の料金改定などによって変化します。本記事内の料金は、2026年9月時点で確認した公開料金を円換算した例であり、「AI搭載EAの一般的な運用費」を示すものではありません。
※Machine Learningと金融市場に関する研究には、株式市場やPortfolioを対象としたものが含まれています。研究結果をRetail FX EA全体へそのまま一般化するのではなく、「AI・Machine Learningを使用していること」「予測結果が得られること」「実際のTradingで優位性や収益性が得られること」を分けて考えるためのEvidenceとして参照しています。
