Contents FX Autonomous Research Lab

FX Autonomous Research

FX Autonomous Research Lab

FX Autonomous Research Labは、FX市場データを取得し、AIが検証可能な仮説を提案し、GPU学習と統計検証を経て、承認可能な戦略候補を管理するローカル研究システムである。対象はXAUUSDとUSDJPY、データ接続はMT5、研究コードはPython 3.11系、深層学習はPyTorchを基本とする。初期版の目的は無人の自動売買ではなく、再現可能な研究プロセスを構築することに置く。

初期アーキテクチャ

Research UI / CLI
       |
Research Orchestrator
  |                 |
LLM Agents      Deterministic Core
plan/code       data/metrics/tests
explain         backtest/risk
  |                 |
Data Contracts + Experiment DB
Raw / Canonical / Optuna / MLflow
       |
Research Promotion Gate
Shadow / Paper
       |
Separate MT5 Execution + Risk Gate

研究workerと実口座の実行系は別プロセス・別権限とする。LLM生成コードからMT5注文を直接送れないようにし、ライブ実行は独立Risk Gateと明示承認を必要とする。

推奨技術選択

領域 初期選択 役割
Language Python 3.11 既存研究環境との整合
Market Data MetaTrader5 Python API bars/ticks/specs取得
Numerical NumPy / pandas / Polars 加工と集計
Deep Learning PyTorch GPU学習
HPO Optuna sampler・pruner・永続Study
Tracking MLflow run・metrics・params・artifacts
Storage Parquet + DuckDB + SQLite ローカル保存と検索
UI CLIを先行、後でFastAPI/Streamlit 可視化
Parallelism 初期は単一GPU worker 資源管理

Optunaは探索trialの永続化と並列化を提供し、MLflowは実験のRun、パラメータ、指標、成果物を記録する。初期版では各機能を分離し、共通experiment_idでつなぐ。大規模分散環境は必要になるまで導入しない。12

リポジトリ構成

fx-autonomous-research/
  configs/ schemas/
  src/fxlab/
    adapters/mt5/ data/ features/ labels/
    models/ backtest/ validation/ risk/
    execution/ orchestration/ reporting/
  agents/
    planner/ hypothesis/ coder/ reviewer/ curator/
  tests/
    unit/ integration/ leakage/ execution_sim/
  datasets/
    raw/ canonical/ manifests/
  artifacts/
    models/ reports/ predictions/
  experiments/ wiki/
  pyproject.toml README.md

決定的な価格・ラベル・約定・指標計算はsrc/fxlabに集約し、agentは共通機能を呼び出す。

開発フェーズ

Phase 0 — 環境とデータ:Python 3.11専用venv、MT5接続、XAUUSD/USDJPYのbars/ticks取得、UTC、Raw Parquet、銘柄仕様snapshot、欠損・重複・Bid/Ask・hashの品質検査。完了条件は同じRaw入力から同じCanonical hashと品質報告が再現すること。

Phase 1 — Baseline:単純モメンタム・平均回帰・No-Trade、Feature/Label、Triple Barrier、Bid/Ask・費用込みイベント駆動バックテスト、固定WFA。取引例を手計算・ティック再生と照合する。

Phase 2 — Model/Experiment:軽量ベースラインから始め、PyTorchモデルを追加。Optunaは内側の時系列foldのみを探索し、MLflowに全run・成果物・dataset versionを保存する。

Phase 3 — Robustness:Purged CV、PBO/CSCV、DSR、多重検定、Block Bootstrap、spread/slippage/gap stress、最終holdoutの一度限りの評価を行う。

Phase 4 — Shadow/Paper:Shadowではライブデータからシグナルだけを出し、Paperではデモ口座の注文・約定照合、拒否、停止系を検証する。実口座の無人昇格は初期版の範囲外とする。

主要メトリクス

予測評価はMAE/RMSE、方向精度、PR-AUC、Brier Score、校正。取引評価は純PF、期待値、Sharpe、Sortino、MDD、回復期間、取引数、コスト前後差。統計評価にはWFA fold間ばらつき、PBO/CSCV、DSR、Monte Carlo DD・ES分布を含め、単一指標だけで昇格させない。

PF 1.8以上・勝率60%以上は研究目標候補として保持できるが、絶対的な採用基準にしない。期待純利益、サンプル数、fold安定性、最大損失、費用感応度、執行品質と合わせて評価する。

最初に実装するファイル

  1. mt5_connection.py — initialize、terminal_info、account_info、symbol_info、shutdown
  2. download_history.py — XAUUSD/USDJPYのM5/M15 barsとticksをUTC保存
  3. data_quality.py — 時刻・Bid/Ask・欠損・重複・spread・hash検査
  4. build_dataset.py — 特徴量・ラベルとmanifest生成
  5. baseline_backtest.py — Bid/Askと基本費用を含むイベント駆動評価
  6. walk_forward.py — 固定foldの予測・metrics保存
  7. experiment_runner.py — OptunaとMLflow連携
  8. promotion_check.py — 検証レポートから決定的に合否を出力

References

Quizzes
  1. 研究所の初期完成条件として最も妥当なのはどれか?

    • 再現可能なデータ・baseline・時間順検証・実験記録・独立合否判定が動作する
    • LLMが実口座へ自由に発注し無人運用できる
    • 複数GPUで数万trialを同時実行できる
    • PFが一度目標を超えたら自動昇格する

    初期版の目的は研究工程の再現性確立であり、無人売買や大規模分散計算は後段の課題である。

  2. 損益計算・ラベル・約定ロジックを置くべき場所はどこか?

    • src/fxlabの共通ライブラリに置き、agentはその機能を呼び出す
    • 各agentのプロンプトに同じ計算式を重複定義する
    • UI表示コードの中に独立した損益式を持たせる
    • 研究用とライブ用に異なる計算式を使う

    決定的な処理を一元化すると研究・検証・運用の計算差を防げる。

  3. MT5の研究workerと注文実行系を分離する理由はどれか?

    • 研究用の生成コードや障害から実口座の注文権限を隔離するため
    • 研究workerが価格データを取得できないようにするため
    • バックテストとライブで損益計算を意図的に変えるため
    • 実験ログを保存しないため

    研究workerはデータ読取と実験に限定し、発注権限は独立した実行系とRisk Gateへ置く。

Comments

No comments yet. Start the conversation.