ロボアドバイザー & 自動投資 2026 — Betterment・Wealthfront・Schwab・Vanguard・トス証券・カカオペイ証券・WealthNavi・THEO 徹底ガイド

プロローグ — Betterment 18年、そしてトス証券1000万の時代

2008年、グローバル金融危機の直後、Jon Stein がニューヨークのカフェで Betterment のホワイトペーパーを走り書きしていた頃、「ETF の塊を自動で運用するサービス」はあまりに単純に見えた。18年後の2026年、その単純さがリテール・ウェルスの標準そのものになった。ポートフォリオ構築、リバランス、そして節税までアルゴリズムがやる。

米国では Betterment と Wealthfront が fintech 第1世代を代表し、Schwab・Vanguard・Fidelity の自社ロボがインカンベント・ウェルス・マネージャーの応答だ。Empower(旧 Personal Capital)はハイブリッド・アドバイザリーで HNW に踏み込み、SoFi・Ellevest・Acorns はセグメント(ミレニアル・女性・ラウンドアップ)を取った。

韓国では2022年にトス証券が100万口座を超えてから爆発的に伸びて、2025年に1000万口座を突破した。自動買付と ISA・年金統合がコア機能になった。カカオペイ証券のミニストックは 100ウォン 単位の分割買付でマイクロ投資を日常化し、KB 証券 M-STOCK・未来アセット m.Stock・NH 投資証券・新韓投資証券も自動積立買付を標準メニューに加えた。

日本は WealthNavi が2024年12月に東京証券取引所グロース市場に上場し、韓国トス証券に似たモメンタムを作った。AUM は2026年初に 1兆1000億円 を突破し、THEO・楽天証券ロボ・SBIラップ・松井証券 投信工房・マネックスアドバイザー・ON COMPASS(Money Forward)・SUSTEN がつみたて NISA・iDeCo 統合の自動投資を運営する。

この記事はこの地図を描く。ロボアドバイザーとは何か、MPT・Black-Litterman・グライドパスといった学術モデルがどうコードになり、tax-loss harvesting と ESG ティルトがどう違い、韓国・日本の自動投資が米国とどう違って進化したかを。

1章 · ロボアドバイザーとは何か — 定義と分類

「ロボアドバイザー」という用語は2010-2012年の間に定着した。米国 SEC は "automated investment adviser" としてまとめ、Investment Advisers Act of 1940 のフィデューシャリー・デューティを同じく適用する。韓国では資本市場法上の「投資一任」の自動化、日本では「投資一任型」または「助言型」に区分される。

ポイントは 意思決定の自動化レベル と 法的責任の所在 が連動することだ。投資一任型はフィデューシャリーとしての説明・告知義務が強く、助言型はユーザーが売買ボタンを押す点で責任の境界が異なる。

2章 · Betterment — 第1世代ロボの標準設計

Betterment(2008、ニューヨーク)は2010年の一般公開後、2026年までに累計ユーザー100万、AUM 500億ドル 規模に成長した。コアは3つ — ゴールベース投資、自動リバランス、tax-loss harvesting (TLH)。

• ゴールベース: 「退職」「住宅購入」「緊急資金」のような目標を作り、期間・金額を入力するとグライドパスが自動計算される。
• 自動リバランス: 比重が目標から 3% 以上ずれたら売買発生。新規入金は最も不足する資産に優先配分。
• TLH: 損失銘柄を売却して損失を実現し、30日 wash-sale ルールを避ける代替 ETF に切り替える。

Betterment の資産配分エンジンは MPT 効率的フロンティアから出発し、Black-Litterman で市場均衡 + 自分のビューを結合する。コア入力は資産クラス別の期待リターン・共分散行列・リスク許容度(risk aversion λ)。

# Betterment スタイル: Black-Litterman ポートフォリオ (概念コード)
import numpy as np

# 市場均衡 weights (時価総額比重)
w_mkt = np.array([0.55, 0.10, 0.05, 0.15, 0.10, 0.05])  # US, IntlDev, EM, Bond, IntlBond, REIT
sigma = np.array([
    [0.0400, 0.0180, 0.0150, 0.0010, 0.0008, 0.0120],
    [0.0180, 0.0360, 0.0140, 0.0010, 0.0007, 0.0100],
    [0.0150, 0.0140, 0.0625, 0.0010, 0.0006, 0.0090],
    [0.0010, 0.0010, 0.0010, 0.0036, 0.0030, 0.0020],
    [0.0008, 0.0007, 0.0006, 0.0030, 0.0049, 0.0015],
    [0.0120, 0.0100, 0.0090, 0.0020, 0.0015, 0.0289],
])

lam = 2.5  # 市場の risk aversion
pi = lam * sigma @ w_mkt  # implied equilibrium returns

# 投資家ビュー: 「US が IntlDev より 1.5% 多く出る」を一つ
P = np.array([[1.0, -1.0, 0.0, 0.0, 0.0, 0.0]])
Q = np.array([0.015])
tau = 0.025
omega = np.diag(np.diag(P @ (tau * sigma) @ P.T))

# Black-Litterman posterior returns
M = np.linalg.inv(np.linalg.inv(tau * sigma) + P.T @ np.linalg.inv(omega) @ P)
mu_bl = M @ (np.linalg.inv(tau * sigma) @ pi + P.T @ np.linalg.inv(omega) @ Q)

# 最適比重
w_opt = np.linalg.inv(lam * sigma) @ mu_bl
w_opt = w_opt / w_opt.sum()

Betterment の手数料は Digital 0.25% AUM、Premium 0.65% AUM。<10万ドル は Digital 限度で、Premium は人間アドバイザーアクセスを与える。

3章 · Wealthfront — TLH・Direct Indexing・ETF ローテーション

Wealthfront(2008、カリフォルニア)は Betterment のライバルであり、TLH と direct indexing において最も積極的だ。2026年ユーザー80万、AUM 750億ドル。2022年 UBS の買収案が頓挫した後も独立路線を維持している。

コアは 税引後リターン(after-tax return) の最大化設計だ。TLH は単なる損失実現ではなく、損失発生時点で highly correlated な ETF にスイッチして市場エクスポージャを維持しながら損失を税務上認識する。

# Wealthfront スタイル: TLH ローテーション判定 (概念コード)
from dataclasses import dataclass
from datetime import date, timedelta

@dataclass
class Lot:
    ticker: str
    qty: float
    cost_basis: float
    purchase_date: date

# 代替ペア: 類似だが substantially identical ではない ETF
TLH_PAIRS = {
    "VTI": "ITOT",   # US total market
    "ITOT": "VTI",
    "VEA": "IEFA",   # Intl developed
    "IEFA": "VEA",
    "VWO": "IEMG",   # Emerging market
    "IEMG": "VWO",
}

def find_harvest_candidates(lots, prices_today, today, min_loss_pct=0.05, min_loss_usd=50):
    """損失率・金額・wash-sale ルールを通過する lot を探す。"""
    out = []
    for lot in lots:
        market_value = lot.qty * prices_today[lot.ticker]
        cost = lot.qty * lot.cost_basis
        loss = market_value - cost
        loss_pct = loss / cost
        if loss_pct >= -min_loss_pct or abs(loss) < min_loss_usd:
            continue
        # 30日 wash-sale ルール検証
        recent = (today - lot.purchase_date) <= timedelta(days=30)
        if recent:
            continue
        out.append({
            "lot": lot,
            "loss_usd": loss,
            "replacement": TLH_PAIRS.get(lot.ticker),
        })
    return out

Direct indexing はもう一歩先に行く。S&P 500 ETF 一株を保有する代わりに、500銘柄を分割保有する。銘柄単位で損失を認識できるため ETF TLH より積極的。ただ取引コスト・運用負担が大きいため、通常 <10万ドル 超過口座に適用される。

Wealthfront の手数料は 0.25% AUM、最低入金は500ドル。Cash 口座(現金性)は別途 APY を提供する。

4章 · Schwab・Vanguard・Fidelity — インカンベントの応答

Charles Schwab は2015年に Intelligent Portfolios を出して、ロボ市場に正面から進入した。AUM ベースで2026年に 1500億ドル 以上で、単一ロボとしては世界最大級。コアな差別化は AUM 手数料が 0 であること — 代わりに一定比率の現金を自前の低金利預金として保有する。

Vanguard Digital Advisor は Vanguard 自社の ETF ラインアップ(VTI・BND・VEA・VWO・VTIP 等)を基本にする。手数料 0.15% AUM(総額 0.20% キャップ)。PAS(Personal Advisor Services)は人間アドバイザーが付くハイブリッドで 0.30% AUM。

Fidelity Go は <2.5万ドル まで無料、超過分 0.35% AUM。Fidelity Flex ファンド(エクスペンスレシオ 0)を使用してユーザーの ER を事実上 0 にする。

インカンベントの強みは ファンド・エクスペンスレシオ だ。Vanguard・Fidelity は自社の ETF・ミューチュアルファンドを使うので、ユーザーから見た総コストが小さくなる。

5章 · 韓国 — トス証券・カカオペイ証券・KB・未来アセットの自動買付

韓国のリテール投資は2020年の「東学アリ運動」以後爆発的に成長した。2026年基準でアクティブ証券口座は6000万を超え、その多くが自動買付・積立買付を使う。

• トス証券: 2021年公開、2025年に1000万口座。自動買付、ISA 自動積立、海外端株買付、米国 ETF 分割買付を標準メニューで提供する。アルゴリズム推奨はトスインベストメント子会社が運営。
• カカオペイ証券: ミニストック — 100ウォン 単位の分割買付。カカオトークに日常的に通知を出し、ラウンドアップ・小銭集め式のマイクロ投資が日常化した。
• KB 証券 M-STOCK: 自動積立 + ISA + 年金統合。KB の PB インフラと繋がり、資産規模が大きくなると人間アドバイザーへルーティング。
• 未来アセット m.Stock: 未来アセットグループ自社 ETF(TIGER)の自動買付、海外 ETF・米国株の端株、グローバル wrap 商品結合。
• NH 投資証券・新韓投資証券: 積立買付、ISA、年金統合。新韓投資証券は新韓アルファロボで一任運用を提供する。

コアな違いは ISA・年金統合 と 国内 ETF の直接端株買付 だ。米国ロボが ETF の塊をアルゴリズムで回すのに対し、韓国はユーザーが銘柄を選び、自動買付だけ自動化する比重が大きい。

# 韓国ロボ・自動買付スタイル: ISA・年金統合自動買付 (概念コード)
from dataclasses import dataclass
from datetime import date

@dataclass
class AutoBuyPlan:
    user_id: str
    account_type: str       # "ISA", "PENSION", "GENERAL"
    target_ticker: str       # 例: "069500" (KODEX 200)
    amount_krw: int          # 一回の買付金額
    schedule_day: int        # 毎月の買付日

def run_auto_buy(today: date, plans):
    """毎日呼び出し。今日が schedule_day の plan だけ買付。"""
    orders = []
    for p in plans:
        if today.day == p.schedule_day:
            orders.append({
                "user": p.user_id,
                "ticker": p.target_ticker,
                "side": "BUY",
                "amount_krw": p.amount_krw,
                "account": p.account_type,
            })
    return orders

規制面では韓国金融投資協会(KOFIA)と金融監督院の自動投資ガイドラインがコア。2017年 KASB(KOFIA Algorithm-based Service Board)ガイドラインが定められた後、アルゴリズム・バックテスト・運用報告・利益相反点検が義務化された。

6章 · 日本 — WealthNavi・THEO・楽天・SBI・松井 投信工房

日本は2016-2017年のロボ第1次ブーム以後、市場が固く位置付いた。2024年12月の WealthNavi の東京証券取引所グロース市場 IPO は、日本ロボ市場の成熟を象徴する。

• WealthNavi(2015、東京): 2026年初に AUM 1兆1000億円、ユーザー70万。全自動投資一任。つみたて NISA 対応(NISA 枠活用)、iDeCo 統合。手数料 1.1%/年(税込)。
• THEO(2015、東京): マネーパートナーズ子会社。AUM 1500億円 規模。機能ポートフォリオ3つ(成長・収益・防御)を加重結合。手数料 1.1%/年。
• 楽天証券ロボ・楽ラップ: 楽天証券の自社ロボ。9パターンポートフォリオ、TVT(下落ショック軽減機能)オプション。楽天ポイント結合。
• SBIラップ・SBI ロボアド(WealthNavi for SBI): SBI 証券が WealthNavi の white-label を提供。SBI ライフ・住信 SBI ネット銀行と結合。
• 松井証券 投信工房: 助言型。ユーザーが売買を押す。8つの資産クラス ETF ベースの分散投資。アドバイザリー手数料なし、ファンド信託報酬のみ負担。
• マネックスアドバイザー: マネックス証券の ETF ベースロボ。5万円から。
• ON COMPASS(Money Forward): ゴールベース — 「結婚」「教育」「老後」のようなライフイベント。
• SUSTEN: 2021年公開、損益連動手数料(perf-based) — 損失時は 0%。

日本ロボのコア設計は つみたて NISA・iDeCo 統合 だ。つみたて NISA は非課税積立限度(2024 新 NISA 以降、つみたて投資枠 年120万円)があり、iDeCo は60歳までの引出制約があるが所得控除がある。ロボが両方を結合して最適な積立順序を自動化する。

# 日本ロボスタイル: つみたて NISA + iDeCo + 課税統合自動積立 (概念コード)
def allocate_monthly(monthly_jpy, nisa_annual_used, ideco_annual_used,
                    nisa_cap=1_200_000, ideco_cap=276_000):
    """非課税限度優先 → 一般課税口座順に配分。"""
    allocation = {"nisa": 0, "ideco": 0, "taxable": 0}
    remaining = monthly_jpy

    # 1) つみたて NISA 限度まで
    nisa_room = max(0, nisa_cap - nisa_annual_used)
    nisa_alloc = min(remaining, nisa_room)
    allocation["nisa"] = nisa_alloc
    remaining -= nisa_alloc

    # 2) iDeCo 限度まで(会社員基準 月 23,000円)
    ideco_room = max(0, ideco_cap - ideco_annual_used)
    ideco_alloc = min(remaining, ideco_room)
    allocation["ideco"] = ideco_alloc
    remaining -= ideco_alloc

    # 3) 残りは課税口座(一般課税口座)
    allocation["taxable"] = remaining
    return allocation

JFSA(金融庁)は投資信託・ETF への情報提供、アルゴリズム・バックテスト・利益相反点検、顧客説明をコアな監督事項として扱う。日本版フィデューシャリー・デューティ(顧客本位の業務運営)は2017年から明示的に求められている。

7章 · MPT・Black-Litterman — アルゴリズムの理論的ルーツ

ほとんどのロボが使う資産配分のルーツは1952年 Harry Markowitz の Modern Portfolio Theory(MPT)だ。分散投資により同じ期待リターンでより低いボラティリティ、または 同じボラティリティでより高いリターン を得られる、という主張。

MPT の限界は 期待リターン推定への感度 だ。資産クラス別の期待リターンを 0.5% 動かすと、効率的フロンティア上の最適ポートフォリオが極端に揺れる。Fischer Black と Robert Litterman が1990年にゴールドマンサックス資産運用で作った Black-Litterman モデルがこの問題を解決する。

コアアイデアは以下:

1. 市場均衡リターン — 時価総額比重を逆算して市場が含意する期待リターンを導出。
2. 投資家ビュー — 「US 株が EM より 1% 高く出る」のような相対・絶対ビューを行列で表現。
3. 結合 — ベイズ方式で均衡リターンとビューを結合。ビューの confidence が低ければ均衡に近い結果。

# CVXPY で表現した平均-分散最適化 (概念コード)
import cvxpy as cp
import numpy as np

n = 6  # 資産クラス数
mu = np.array([0.07, 0.06, 0.085, 0.025, 0.022, 0.060])  # 期待リターン
sigma = np.eye(n) * 0.04 + 0.005  # 単純化した共分散

w = cp.Variable(n)
gamma = 2.5  # risk aversion
ret = mu @ w
risk = cp.quad_form(w, sigma)
problem = cp.Problem(
    cp.Maximize(ret - gamma * risk),
    [cp.sum(w) == 1, w >= 0, w <= 0.5],  # long-only + 一資産 50% キャップ
)
problem.solve()
w_opt = w.value

Betterment・Wealthfront・WealthNavi・THEO 等、ほとんどのロボが Black-Litterman またはその変形(risk parity, hierarchical risk parity)を使う。違いは入力データ・加重・制約式のデザインにある。

8章 · Tax-Loss Harvesting — Wealthfront の ETF ローテーションパターン

TLH の経済的価値は単純だ — 損失を早く認識して将来の税金を減らし、その節減額を再投資して複利効果を得る。Wealthfront のホワイトペーパーは長期平均 0.5–1.5%/年 の追加税引後リターンを主張する。

コアは米国 IRS の wash-sale rule だ。31日以内に substantially identical security を再買付すると損失を認識できない。ロボは substantially identical ではないが highly correlated な ETF にスイッチする。

ここに注意点がある。wash-sale rule は IRA 口座の売買にも適用される(IRS Rev. Rul. 2008-5)。つまり課税口座で損失を実現した直後、同じユーザーの IRA で同じ銘柄を買付すると損失が無効になる。ロボはユーザーのすべての口座を統合的に見る。

韓国と日本は損益通算が違う。韓国は海外株式・ETF の譲渡所得税22%、損益通算は同じ課税年度内のみ、繰越控除は制限的。日本は申告分離課税 20.315%(所得税 + 住民税 + 復興特別税)、損失は3年間繰越控除可能。

9章 · ゴールベース投資とグライドパス

ゴールベース投資はロボの最も直感的なユーザー体験だ。「65歳退職」「10年後の住宅購入」「5年後の結婚」のような目標を入力すると、アルゴリズムが開始時点から目標時点までリスク資産比重を徐々に減らしていく(glide path)。

最も有名な例は Vanguard Target Retirement Funds だ。2050年退職想定のファンドは2026年現在、株式を約90%保有してから、2050年までに約50%まで減らし、退職以後も7年かけてさらに減らす(2055年に約30%)。

# Goal-based glide path (概念コード)
def glide_path(years_to_goal, min_equity=0.30, max_equity=0.90,
               crossover_years=10):
    """目標時点が近づくほど株式比重を縮小。"""
    if years_to_goal >= crossover_years:
        return max_equity
    if years_to_goal <= 0:
        return min_equity
    # 線形補間
    return min_equity + (max_equity - min_equity) * (years_to_goal / crossover_years)

# 例: 30年 → 90%、15年 → 90%、7年 → 0.30 + 0.60 * 0.7 = 72%

Betterment はユーザーが目標を複数作れるようにし、各目標ごとに独立したグライドパスを運営する。緊急資金はほぼ債券/現金、退職は長期グライド、住宅購入は短期債券中心。一口座で複数のゴールを同時に管理する。

日本の ON COMPASS(Money Forward)はゴールベースに最も忠実だ。ライフイベント(結婚・教育・老後)を入力するとシミュレーションと共に積立計画を提示する。

10章 · 自動リバランス — 閾値・カレンダー・キャッシュフロー

リバランスはロボのコア運営機能だ。3つのアプローチがある。

1. カレンダーリバランス: 四半期・半期ごとに強制。単純だが非効率。
2. 閾値リバランス: 比重が目標から 3–5% 以上ずれたら売買。市場ボラが大きい時に頻発。
3. キャッシュフローリバランス: 新規入金・配当を最も不足する資産に優先配分。売却なしで比重調整。税金効率。

ほとんどのロボはこの3つを混合する。Betterment・Wealthfront のデフォルトポリシーは キャッシュフロー優先 + 閾値トリガー だ。売却が起こると capital gains が発生するので、可能な限り売却なしで比重を合わせる。

# 閾値 + キャッシュフローリバランス (概念コード)
import numpy as np

def rebalance(current_qty, prices, target_weights, threshold=0.05, cashflow=0):
    """current_qty: 資産別保有数量、prices: 価格、target_weights: 目標比重。"""
    market_values = current_qty * prices
    total = market_values.sum() + cashflow
    current_weights = market_values / total

    drift = current_weights - target_weights
    needs_trade = np.abs(drift).max() > threshold

    if not needs_trade and cashflow > 0:
        # 入金だけ最も不足する資産に配分
        underweight_idx = np.argmin(current_weights - target_weights)
        return {"action": "cashflow_only",
                "buy_idx": int(underweight_idx),
                "buy_amount": float(cashflow)}
    if needs_trade:
        # 目標比重にフルリバランス
        target_values = total * target_weights
        delta_value = target_values - market_values
        return {"action": "rebalance",
                "delta_value": delta_value.tolist()}
    return {"action": "no_op"}

機関アドバイザーは一般に四半期リバランスを好み、ロボは日次で閾値を点検するのが標準だ。韓国トス証券の自動買付は定期積立時点で比重を点検する形で作動する。

11章 · 端株 — マイクロ投資の基盤

分割株式(fractional shares)はロボの普遍化に必須だった。$1,000 の資本金で Berkshire Hathaway A 株(約 $700,000)1株は買えないが、0.0014株は買えなければ資産配分は意味がない。

米国は2019年に Robinhood が fractional を一般化した後、2020-2021年に Schwab・Fidelity・Vanguard が続いた。2026年に fractional は事実上の標準。

韓国は2022年にトス証券が米国株 fractional を始め、カカオペイ証券のミニストックは国内・海外両方で 100ウォン 単位の分割買付を運営する。未来アセット・KB・NH も米国株 fractional を支援する。

日本は一歩遅れた。端株(1株未満)は伝統的に売買が難しかったが、2021年に PayPay 証券が1,000円単位の米国株売買を一般化した後、SBI・楽天・マネックスが続いた。

技術的には分割株式が broker 内部にのみ存在する 仮想の単位という点が重要だ。ユーザーから見ると0.34株を保有しているが、broker は総合的に omnibus account で整数株のみ取引する。決済・税制・議決権処理で運用複雑度が大きい。

12章 · Acorns・SoFi・Ellevest — マイクロ投資 & セグメント

Acorns(2014、カリフォルニア)は ラウンドアップ(round-up) モデルを作った。クレジットカード決済金額を1ドル単位で切り上げ、差額を自動で ETF に投資する。4ドル75セント決済は5ドルに切り上げ、差額25セントが投資される。2026年ユーザー 1300万、AUM 90億ドル 規模。

SoFi Automated Investing は SoFi 金融プラットフォーム(ローン・クレジットカード・預金)の一部としてロボを提供。AUM 手数料 0%、最低入金 $1。ユーザーから見ると SoFi で全金融をまとめるのがコア。

Ellevest(2016、ニューヨーク)は女性ユーザーをターゲット。女性の平均寿命と賃金格差を反映したグライドパスを運営する。2026年ユーザー 35万 規模。

# Acorns スタイル: ラウンドアップマイクロ投資 (概念コード)
from dataclasses import dataclass
from typing import List
import math

@dataclass
class Transaction:
    user_id: str
    amount_usd: float

def compute_roundup(tx: Transaction) -> float:
    """4.75 → 5.00、差額 0.25 を投資キューへ。"""
    ceiled = math.ceil(tx.amount_usd)
    return round(ceiled - tx.amount_usd, 2)

def daily_invest_batch(transactions: List[Transaction], min_invest=5.0):
    """ユーザー別に累積ラウンドアップが閾値超なら ETF 買付。"""
    buckets = {}
    for tx in transactions:
        buckets[tx.user_id] = buckets.get(tx.user_id, 0) + compute_roundup(tx)
    orders = []
    for uid, total in buckets.items():
        if total >= min_invest:
            orders.append({"user_id": uid, "buy_usd": round(total, 2)})
    return orders

セグメンテーションはロボの次の進化軸だ。「女性専用」「Z 世代専用」「LGBTQ 専用」のようなセグメント・ロボが登場し、日本でも SUSTEN が perf-based 手数料でセグメントを作った。

13章 · ESG・SRI ポートフォリオ・ティルト

ESG(環境・社会・ガバナンス)または SRI(社会責任投資)ポートフォリオはロボのオプションとして普遍化した。一般ポートフォリオと同じ資産配分の上に ESG スコアを加重するか、特定セクター(化石燃料・タバコ・武器)を除外する。

規制面では2021年の SEC の ESG 開示規定強化と EU の SFDR(Sustainable Finance Disclosure Regulation)導入が影響した。ESG 表示が誤った場合(greenwashing)、制裁事例が増えた。2022年 BNY Mellon、2023年 Goldman Sachs が ESG ファンド表示関連で SEC 制裁を受けた。

# ESG ポートフォリオ定義 (概念的)
portfolios:
  betterment_sri_broad:
    risk_level: 0.7
    holdings:
      - ticker: ESGV   # Vanguard ESG US Stock
        weight: 0.45
      - ticker: ESGD   # iShares ESG MSCI EAFE
        weight: 0.15
      - ticker: ESGE   # iShares ESG MSCI EM
        weight: 0.10
      - ticker: EAGG   # iShares ESG Aware US Aggregate Bond
        weight: 0.25
      - ticker: VTIP   # Vanguard Short-Term TIPS
        weight: 0.05
    exclusions:
      - tobacco
      - controversial_weapons
      - thermal_coal

ESG ポートフォリオのコストは一般ポートフォリオより ETF expense ratio が通常 0.05–0.20% 高い。ロボ手数料は同じ。

14章 · AI 駆動リバランス — 2026の新トレンド

2024-2026年の間のロボの新トレンドは LLM・強化学習ベースのリバランスだ。伝統的 MPT/BL は市場均衡と静的ビューを結合するが、AI リバランスは市場シグナル・マクロニュース・ボラレジームを動的に反映する。

コアアプローチ:

• Regime detection: HMM(Hidden Markov Model)またはボラティリティ・クラスタリングで市場レジーム(上昇・下落・横ばい・高ボラ)を分類。レジーム別に加重調整。
• Volatility targeting: ポートフォリオの実現ボラを目標値で維持。ボラが上がるとリスク資産比重を縮小。
• RL ベース: PPO/SAC のような強化学習エージェントが日次リバランス決定。学術研究段階。
• LLM ニュース ingestion: マクロニュース・中央銀行発表を LLM で埋め込み、資産クラス sentiment を抽出。

2026年時点でプロダクションで最も検証されているのは regime detection と volatility targeting。RL と LLM ingestion は実験・ハイブリッド段階で、100% 自動意思決定には使われない。

# Volatility targeting リバランス (概念コード)
import numpy as np

def vol_target_weights(base_weights, asset_returns_window, target_vol=0.10):
    """ポートフォリオ実現ボラを target に合わせるためのスケーリング。"""
    cov = np.cov(asset_returns_window.T)
    portfolio_vol = np.sqrt(base_weights @ cov @ base_weights) * np.sqrt(252)
    scaling = target_vol / portfolio_vol if portfolio_vol > 0 else 1.0
    scaling = min(scaling, 1.0)  # レバレッジ禁止
    new_weights = base_weights * scaling
    new_weights = np.concatenate([new_weights, [1 - new_weights.sum()]])  # 現金
    return new_weights

規制面で SEC は2023年に AI/ML ベースのアドバイザーに対する予測分析(predictive data analytics)規定の草案を発表した(Investment Adviser Conflicts of Interest in the Use of Predictive Data Analytics)。日本 JFSA は2024年に AI 活用模範規準を発表して説明可能性・利益相反点検を求める。

15章 · 比較表 — 米・韓・日ロボの手数料・最低入金・機能

全体的にまとめると以下のとおり。

米国は手数料が低く機能が豊富。韓国はユーザーが ETF を直接選び、自動買付だけ自動化する比重が大きい。日本は完全自動一任型が普遍だが、手数料が米国より高い。

16章 · 韓国 ISA・年金統合自動投資

韓国リテール投資の差別化は ISA(個人総合資産管理口座)と退職年金・IRP の統合だ。

• ISA: 2016年導入、2021年に仲介型 ISA が追加されて直接売買が可能になった。非課税限度は一般型200万ウォン、庶民型・農漁民型は400万ウォン。義務加入期間3年。
• 個人年金・IRP: 税額控除限度統合 年900万ウォン(IRP 700万ウォン + 年金貯蓄 400万ウォン、統合 900万ウォン)。55歳以後の年金引出時に低率課税(3.3–5.5%)。
• 自動買付統合: トス証券・KB 証券・未来アセット・NH・新韓が ISA・年金・一般口座をまとめて自動積立優先順位をアルゴリズムで決定する。

# 韓国 ISA・年金・一般統合自動投資 (概念コード)
def korea_priority_allocate(monthly_krw, isa_used, irp_used,
                            isa_cap=2_000_000, irp_cap=7_000_000,
                            pension_cap=4_000_000):
    """非課税・税額控除限度を優先で埋め、残りは一般。"""
    alloc = {"isa": 0, "irp": 0, "pension": 0, "general": 0}
    rem = monthly_krw

    # 1) IRP・年金貯蓄(統合 900万ウォン、IRP 700万ウォン限度)
    irp_room = max(0, irp_cap - irp_used)
    irp_alloc = min(rem, irp_room)
    alloc["irp"] = irp_alloc
    rem -= irp_alloc

    # 2) ISA 限度
    isa_room = max(0, isa_cap - isa_used)
    isa_alloc = min(rem, isa_room)
    alloc["isa"] = isa_alloc
    rem -= isa_alloc

    # 3) 残りは一般口座
    alloc["general"] = rem
    return alloc

ISA と年金のコアな違いは 引出時期と損益通算 だ。ISA は満期後の損益通算後250万ウォンまで非課税、超過分9.9%分離課税。年金は55歳以後の引出時に低率、中途解約すると他所得税16.5%。

17章 · 日本のつみたて NISA・iDeCo ロボ統合

日本は2024年1月の新 NISA 制度導入で非課税構造が大きく変わった。

WealthNavi・THEO のようなロボはつみたて投資枠と成長投資枠の両方を自動活用する。iDeCo はロボ運営コストが追加で発生するので、ユーザーが直接加入し、ロボは推奨ポートフォリオだけ提示するケースが多い。

# 日本ロボ + 新 NISA + iDeCo 統合 (概念的)
plan:
  monthly_total_jpy: 100000
  allocation:
    - bucket: tsumitate_nisa
      monthly: 33333    # 年40万円仮定(旧限度基準)
      product: emaxis_slim_all_country
    - bucket: seicho_nisa
      monthly: 50000
      product: nikko_global_etf_mix
    - bucket: ideco
      monthly: 23000    # 会社員限度
      product: emaxis_slim_8shisan
    - bucket: taxable
      monthly: -6333    # 限度超過分(例)
      note: 過剰分は翌月へ繰越

JFSA の顧客本位の業務運営原則はロボにもそのまま適用される。適合性・説明義務・利益相反管理がコア。

18章 · 規制 — SEC 206(4)-7, KASB, JFSA

米国・韓国・日本のロボ規制は大枠でフィデューシャリー・デューティとコンプライアンス・プログラム運営を求める。

SEC 206(4)-7 は米国ロボの運営負担を最も直接的に作る。年1回コンプライアンス・プログラム評価、CCO 任命、事故・違反事例の文書化 が義務。Betterment・Wealthfront とも CCO を置いて四半期報告を運営する。

韓国 KASB はアルゴリズム・バックテスト資料を6カ月以上保存し、運営結果を KOFIA に定期報告するよう求める。日本 JFSA は投信工房・WealthNavi 等を「投資助言・代理業」または「投資運用業」のどこに該当するかによって違う規制を適用する。

19章 · バックテストとシミュレーション — モデル検証

ロボの資産配分モデルはバックテストとシミュレーションで検証される。コアは out-of-sample と regime robustness だ。

典型的検証項目:

• CAGR: 年率換算リターン。
• ボラ・シャープ: リスク調整リターン。
• 最大ドローダウン(MDD): 高値から底値までの最大下落幅。
• レジーム別パフォーマンス: 2008・2020・2022 のような大事件区間でのパフォーマンス。
• TLH 価値測定: 税引後リターン差。
• 取引コストモデル: bid-ask spread, slippage。

# バックテスト基本スケルトン (概念コード)
import numpy as np
import pandas as pd

def backtest(prices, weights, rebalance_freq="M"):
    """シンプルな定期リバランス・バックテスト。"""
    returns = prices.pct_change().dropna()
    aligned = returns.resample(rebalance_freq).last().dropna()
    portfolio_ret = (aligned * weights).sum(axis=1)
    equity = (1 + portfolio_ret).cumprod()

    cagr = equity.iloc[-1] ** (12 / len(equity)) - 1
    vol = portfolio_ret.std() * np.sqrt(12)
    sharpe = (portfolio_ret.mean() * 12) / vol
    mdd = (equity / equity.cummax() - 1).min()
    return {
        "CAGR": float(cagr),
        "Vol": float(vol),
        "Sharpe": float(sharpe),
        "MDD": float(mdd),
    }

運営面では モデル・ドリフト・モニタリング が追加される。市場統計量が学習時点とあまりに違ってくるとモデルを再学習するか閾値を調整する。韓国 KASB と日本 JFSA がともにこれを求める。

20章 · コスト構造 — AUM 手数料・ETF ER・税金

ユーザーがロボを比較する時のコアは 総コスト = AUM 手数料 + ETF expense ratio + 取引コスト + 税金 だ。

代表米国ロボの総コスト(例):

• Betterment Digital: 0.25% AUM + 0.07% 平均 ER ≒ 0.32%
• Wealthfront: 0.25% AUM + 0.08% 平均 ER ≒ 0.33%
• Schwab Intelligent: 0% AUM + 0.10% ER + 現金 sweep の機会費用 ≒ 0.10–0.40% (現金比重次第)
• Vanguard Digital Advisor: 0.15% AUM + 0.05% ER ≒ 0.20%
• Fidelity Go (<$2.5万): 0% + 0% (Flex ファンド) ≒ 0%

ここに TLH の税引後価値を加える必要がある。Wealthfront は自社のホワイトペーパーで TLH の長期価値を 0.5–1.5%/年 と推定する。ただしユーザーの限界税率・売却パターン・口座タイプ(taxable vs IRA)で差が大きい。

韓国ロボ・自動買付は別途 AUM 手数料がないが、売買時に証券会社手数料(通常 0.0015–0.015%)、ETF 信託報酬(国内 ETF <0.5%、海外 ETF <0.7%)、譲渡所得税(海外 22%)を負担する。

日本ロボは AUM 手数料が高い。WealthNavi/THEO/ON COMPASS いずれも1%台中盤。代わりに投信工房のような助言型はアドバイザリー手数料がなく信託報酬だけかかる。

21章 · 事例分析 — トス証券の自動買付ユーザー

トス証券自動買付ユーザーのペルソナを仮想で描く。

• 30代会社員 K さん: 月100万ウォン積立。KODEX 米国 S&P500 に50万ウォン、KODEX 200 に30万ウォン、米国株(AAPL・MSFT)端株に20万ウォン。毎月1日自動買付。ISA に60万ウォン、一般に40万ウォン。
• 結果(仮想): 1年後の累積入金1200万ウォン、評価額約1340万ウォン。トスアプリで比重通知、自動分散。
• 限界: TLH なし、グライドパスなし、リバランスはユーザーが直接。

比較: 同じ100万ウォンを Betterment に積立てたなら、アルゴリズムがリスク許容度に従って7-8の資産クラスに自動分散、リバランスと TLH まで自動。

コア示唆は 自動化の深さ だ。韓国・日本はユーザーの自己決定を尊重する形(自動買付 + ISA 統合)、米国はアルゴリズムがより深く決定する。

22章 · WealthNavi 9年・THEO 11年の運用データ

WealthNavi が公示した9年運用データ(2016-2025)をまとめると以下のとおり(公式 KPI 基準サマリ)。

• 累計ユーザー: 70万
• AUM: 1兆1000億円
• 平均積立期間: 4.2年
• 平均積立金額: 月 3万5千円
• 9年累計リターン(中央値、円ベース): 約 +72% (市場環境で変動)
• TLH 効果: 日本税制限界で米国レベルの積極的 TLH は適用されない。損出し形態で一部活用。

THEO の自社シミュレーションも似た傾向を示す。ただ THEO は機能ポートフォリオ3つを組合せるのでユーザー別の分散が大きい。

コアな学びは 長期積立 + 自動リバランスの一貫性 が結果を作る点だ。ユーザーが市場に反応して売買する比重が大きいほど long-run のパフォーマンスが下がる。

23章 · 運用インシデント — 2024-2026 の事例

ロボは 24/7 自動運用なのでインシデント対応が重要だ。2024-2026年間の主な事例。

• 2024 Q1 米国ロボ X 社 — リバランス・ルールバグ: 閾値が誤った符号で適用され、一部口座が1日間オーバーバイ。SEC 報告、ユーザー補償。
• 2024 Q3 韓国自動買付 A 社 — 夜間バッチ失敗: 自動買付注文の batch が取引所開場時間に重なる。100万件の注文遅延。
• 2025 Q2 日本ロボ Y 社 — 為替データ整合性: 日中の為替スナップショット整合性エラーで外貨資産評価が 0.7% ずれた。修正後ユーザー通知。
• 2025 Q4 米国ロボ Z 社 — TLH wash-sale: ユーザーの外部口座売買を認知せず wash-sale 発生。SEC ガイドラインに従ってユーザー責任明確化。

コアな教訓は 自動化の信頼性はシミュレーション・shadow run・canary デプロイでのみ確保される ことだ。アルゴリズム更新は一部ユーザー・コホートから漸進的に適用する。

24章 · 未来 — 2027-2030 ロボアドバイザーの方向

2026年時点で今後3-5年の方向をまとめると。

1. ハイブリッドの普遍化: 純自動のみ固執するロボは消え、一定資産以上は人間アドバイザーが付く形。
2. regime-aware AI: HMM/RL/LLM ベースの動的リバランスがプロダクション普遍化。ただし 100% 自動意思決定ではなく人間検証段階を維持。
3. 世界統合ポートフォリオ・ビュー: ユーザーが複数国に口座を持つ時、統合資産配分提供。為替・税制自動考慮。
4. 暗号資産統合: BTC・ETH ETF・ステーブルコインの一部比重オプション提供。ボラ制約下で。
5. ESG 細分化: 「気候だけ」「社会だけ」「ガバナンスだけ」のようなセグメント・オプション。
6. 税制自動化: 韓国 ISA・年金、日本 NISA・iDeCo、米国 401(k)・IRA・HSA・529 を統合した税引後最適化。
7. データプライバシー: GDPR・CCPA・個人情報保護法・個人情報保護法強化でユーザーデータの分離・暗号化要求。

このすべての変化の共通点は アルゴリズムはより賢くなるが、ユーザーの最終決定権は増える ことだ。ロボの次の10年は自動化の深さではなく、自動化と人間決定のインターフェースを精緻化することにある。

25章 · 実践 — どのロボを選ぶか

最後にユーザー観点でどのロボを選ぶかの簡単なガイドをまとめる。

コアは 自分がどの意思決定を委任したいか だ。全部委任なら米国 Wealthfront・日本 WealthNavi、部分委任なら韓国自動買付・日本投信工房が合う。コスト・機能・税制・口座タイプをすべて比較すべき。

References

• Betterment. "How Betterment Invests." https://www.betterment.com/
• Wealthfront. "Tax-Loss Harvesting." https://www.wealthfront.com/tax-loss-harvesting
• Wealthfront. "Direct Indexing." https://www.wealthfront.com/direct-indexing
• Charles Schwab. "Intelligent Portfolios." https://intelligent.schwab.com/
• Vanguard. "Digital Advisor." https://investor.vanguard.com/advice/digital-advisor
• Fidelity. "Fidelity Go." https://www.fidelity.com/managed-accounts/fidelity-go/overview
• Empower (Personal Capital). "Wealth Management." https://www.empower.com/
• SoFi. "Automated Investing." https://www.sofi.com/invest/automated-investing/
• Ellevest. "Investing for Women." https://www.ellevest.com/
• Acorns. "Round-Ups Investing." https://www.acorns.com/
• WealthNavi. "全自動の資産運用." https://www.wealthnavi.com/
• THEO. "AI Investment Service." https://theo.blue/
• 楽天証券. "楽ラップ." https://www.rakuten-sec.co.jp/web/fund/wrap/
• SBI証券. "SBIラップ." https://www.sbisec.co.jp/
• 松井証券. "投信工房." https://www.matsui.co.jp/fund/toshin-kobo/
• マネックス証券. "マネックスアドバイザー." https://info.monex.co.jp/fund/advisor/
• Money Forward. "ON COMPASS." https://on-compass.com/
• トス証券. "自動買付." https://www.tossinvest.com/
• カカオペイ証券. "ミニストック." https://securities.kakaopay.com/
• KB証券. "M-STOCK." https://www.kbsec.com/
• 未来アセット証券. "m.Stock." https://www.miraeassetsecurities.com/
• U.S. Securities and Exchange Commission. "Investment Advisers Act of 1940." https://www.sec.gov/
• SEC. "Rule 206(4)-7 — Compliance Programs of Investment Advisers." https://www.sec.gov/
• SEC. "Robo-Advisers Guidance Update." https://www.sec.gov/investment/im-guidance-2017-02.pdf
• SEC. "Proposed Rule: Conflicts of Interest Associated with Predictive Data Analytics." https://www.sec.gov/
• 金融庁 (JFSA). "顧客本位の業務運営に関する原則." https://www.fsa.go.jp/
• 韓国金融投資協会 (KOFIA). "自動投資ガイドライン." https://www.kofia.or.kr/
• Markowitz, H. (1952). "Portfolio Selection." Journal of Finance.
• Black, F. & Litterman, R. (1992). "Global Portfolio Optimization." Financial Analysts Journal.