Paradigm 主催の Autoresearch Hackathon において、「ほとんど自分で戦略を設計していない」参加者が、最終的に優勝を果たした。優勝者の Ryan Li は同時に SurfAI の CEO でもあり、解答プロセス全体はほぼ完全に AI に任せており、自分自身さえ「どうやって勝ったのか分からない」と語り、最終的に Prediction Market Challenge で首位を獲得した。
この大会では、模擬された二項予測マーケット上でマーケットメイク戦略を設計することが求められ、指値注文によってオーダーブックに流動性を提供し、「アービトラージャー（裁定者）」と「一般の小口投資家のフロー」の間で利益のバランスを取る。最終順位は、戦略に基づいて 200 回のランダムシミュレーションにおける平均 edge（利潤の優位性）で計算される。Ryan の最終成績は 42.32 ドルの mean edge（3 つのランダムシードの中央値で計算）で、再評価後に首位に登り詰めた。
Claude Code + Codex による自動リサーチで 1039 個の戦略を生成
従来のクオンツ取引やマーケットメイク戦略が人間の専門家によるパラメータ調整やモデリングに依存していたのとは異なり、Ryan は近年 Rich Sutton が提唱した「Bitter Lesson（苦い教訓）」の考え方を採用し、計算力と探索規模で人間の経験を打ち負かす。彼は問題全体を「自動リサーチ（autoresearch）」のプロセスに変換し、手動で最適化するのではなく、複数の AI agent を並列にして解法空間を探索した。
その過程で彼は、8 から 20 までの並列稼働の AI agent（主に Claude Code をベースにし、Codex で補助）を投入し、それぞれが異なる仮説とパラメータ空間を担当して、継続的に戦略を生成し、シミュレーションを実行し、結果をフィードバックした。最終的に、1,039 個の戦略バリエーションを累積して 2,000 回以上の評価を行い、さらに 47 個のパラメータスキャン用スクリプトを自動生成した。全体の探索規模は、数週間の手作業による実験を数時間に圧縮したのに相当する。
AI が出力した 900 行の Python のマーケットメイクアルゴリズムがハッカソン優勝
戦略面では、最終的に勝ち残った案は、約 900 行の Python で構築されたマーケットメイクアルゴリズムであり、コアロジックは単一の設計に由来するのではなく、「有効性が検証された」複数のモジュールを積み重ねたものだ。具体的には、裁定者が必勝となる極めて狭いスプレッドの領域を避けること、情報理論に基づいて真の価格を推定すること、裁定リスクに応じて提示規模を動的に調整すること、そして相手のオーダーブックが食い尽くされると高い利益が得られる領域に積極的に入り込むことなどが含まれる。
中でも最も重要なブレークスルーは、「既存の戦略を完全に捨てて、ゼロから始める」AI agent から生まれた。全体の最適化が約 +25 edge で停滞していたとき、その agent は単独で、 「裁定リスク確率」を中核とする sizing（サイズ決定）モデルを発見し、その結果として戦略のパフォーマンスは一気に +44 まで押し上げられ、これが大会の転機になった。この結果はまた、Ryan の方法論を直接裏付けてもいる。探索が局所最適に陥ったときは、微調整よりも再起動のほうが有効だ、ということだ。
AI 研究の絶対的な優位性：自動化された試行錯誤
Ryan はまとめの中で、この大会の鍵は「賢い戦略」を設計することではなく、アイデアを大規模に検索・検証し、淘汰できるシステムを構築することだと述べた。人間の直感に頼るよりも、AI に広大な解空間の中で試行錯誤させ、並列化と自動化によって効率を拡大するほうがよい。
この事例はさらに、「Agentic AI（エージェンティック AI）」がエンジニアリングや研究プロセスにおいて担う役割の変化を強化する。AI はもはや単なる補助ツールではなく、探索と意思決定の核心を直接担う実行単位になり得る。高度に構造化され、シミュレーション可能な問題においては、人間がそもそも「解答者」から完全に離れ、探索フレームワークと評価メカニズム自体を設計することさえ可能だ。
この記事は Claude Code による自動リサーチがハッカソン優勝！受賞者：僕はそもそもどうやって勝ったのか全然知らない—最初に 鏈新聞 ABMedia に掲載されました。
関連記事
High-Win-Rate Account Bets $310K on Timberwolves to Beat Nuggets in NBA Western Semifinal Game 4
