Column

「A社のニュース」だけ読んでも、A社の株は分からない

サプライチェーンやパートナー関係を通じた感情の伝播を、Graph-RAGで捉えられるようになった。ベクター検索より複雑な企業間クエリで11.7%関連性が向上、しかもレイテンシ増加は22.6%に留まる。金融リサーチ自動化の新しいアーキテクチャ選択肢を整理する。

2026 / 06 / 07 5 分で読める English version →

こんにちは。Affectosphere Group の井下です。

株式アナリストが今もっとも悩んでいることの一つは、「情報が多すぎて、重要なシグナルを見落とす」という問題だと思います。

毎日膨大なニュースが出て、決算資料があって、SNS の声があって。その中から「この企業の株価に影響しそうなもの」を抽出するのは、人間一人でできる仕事の量を超えています。だから AI による自動化・支援のニーズが高い。

でも従来のベクター検索ベースの RAG（Retrieval-Augmented Generation）には、一つ大きな弱点があります。「A 社のニュース」を検索するとき、A 社に直接言及した文章しか引っかかってこない、という問題です。

A 社の主要サプライヤーである B 社が不祥事を起こした。B 社の主要顧客の C 社が業績を下方修正した。こういった「間接的な影響」は、文章の類似度検索だけでは拾いにくいです。

2026 年 5 月に arXiv で公開された研究（Rajan Bastakoti, Sagar Bhetwal, Nirajan Acharya, Gaurav Kumar Gupta、arXiv:2606.00062）は、この問題を知識グラフの活用で解こうとしています。

今日の 3 点

RAG の基本的な考え方は「質問に関連する文章を検索して、LLM に渡す」というものです。

従来のベクター検索では、文章を埋め込みベクトルに変換し、クエリとのコサイン類似度で近いものを持ってきます。この方法は単純な事実検索や企業単体の情報収集には強いです。

Graph-RAG では、文章から抽出したエンティティ（企業・人物・イベント）と、それらの関係を知識グラフとして構築します。そして検索時は「A 社に関連するノードを辿って、関係するエンティティの情報も取得する」という形で、より広い文脈を拾います。

今回の研究では、金融ニュース 255 本から 10 銘柄を対象とした知識グラフを構築しています。グラフのエッジには感情スコア（ポジティブ・ネガティブ・ニュートラル）が重み付きで付与されています。企業間の関係が「どういう感情的文脈で語られているか」も含めて構造化されているわけです。

この研究で特に注目したい数字は 3 つです。

エンティティリコール +6.4%。「A 社と B 社の両方に関連するニュースを引っ張れたか」を測る指標で、Graph-RAG は複数エンティティにまたがるクエリで従来手法を上回りました。

回答関連性 +11.7%。LLM が生成した回答が、実際のクエリの意図とどれだけ合致しているかの評価です。特に「サプライヤーへの依存リスクを教えて」「競合他社との関係から株価リスクは何か」といった複合的な質問で差が出ています。

レイテンシ増加 22.6%。グラフを辿るぶん処理に時間がかかりますが、2 割強の増加に留まっています。リアルタイム取引には使えないかもしれませんが、日次の調査レポート生成なら許容できる範囲です。

単純な Q&A や単一企業への言及クエリでは、Graph-RAG のアドバンテージはほぼありませんでした。適材適所の話で、複雑なクロスエンティティ分析に Graph-RAG を、シンプルなルックアップにはベクター検索を使い分けるアーキテクチャが現実的です。

この研究の知見を踏まえて、証券アナリスト支援ツールや投資判断支援システムへの応用を具体的に考えてみます。

最もすぐに使えるユースケースは、株式調査レポートの下書き生成です。

アナリストが「A 社のサプライチェーンリスクを整理したい」「B 社の顧客基盤と市場環境を教えて」といった複合的な質問をするとき、Graph-RAG ベースのシステムは従来の RAG より良い素材を提供できます。

具体的な導入を考えると、最初の実装コストとして「感情重み付き知識グラフの構築・更新パイプライン」が必要になります。今回の研究では 255 本のニュースから 10 銘柄のグラフを手動で構築していますが、実運用では自動更新が必要です。ここが主なエンジニアリング課題です。

KPI としては、アナリストが一本のセクターレポートを作成するのにかかる時間の短縮率、あるいはレポートに引用した情報源の網羅性スコア（関連企業を何社カバーできたか）などが考えられます。

ヘッジファンドのようにリアルタイム性を要求する環境ではなく、デイリーのリサーチサイクルで動いている部署——証券会社のリサーチ部門や、機関投資家のリサーチチーム——から始めるのが現実的な導入シナリオです。

この研究が面白いのは、「感情分析」を単体企業の問題として捉えず、企業ネットワークの中で伝播するものとして見ているところです。

感情 AI の観点から言うと、これは「感情の文脈依存性」を真剣に扱っている例です。「この文章がポジティブかネガティブか」を単文レベルで判定するだけでなく、どういう関係性の文脈でその感情が語られているかを構造として保持する。

金融テキスト分析の話ですが、感情の伝播と構造を捉えるという問題設定は、感情 AI の他の応用領域にも共通する視点だと思っています。

では！

Rajan Bastakoti, Sagar Bhetwal, Nirajan Acharya, Gaurav Kumar Gupta (2026). Graph-Augmented Retrieval for Cross-Entity Financial Sentiment Analysis: A Comparative Study. arXiv preprint.

※ 本記事は一部 AI により執筆されており、間違った情報が含まれる恐れがあります。