FX Autonomous Research
Feature Engineering
特徴量エンジニアリングは、価格、Bid/Ask、時間、ボラティリティ、金利、クロスアセット情報などの観測値を、予測モデルが扱える説明変数へ変換する工程である。金融時系列では、特徴量の複雑さよりも「その時点で本当に利用可能だったか」「ラベルや将来価格を間接的に含まないか」「取引機構に対応しているか」が重要になる。1
FXで特徴量が表すもの
価格水準は通貨ペアごとにスケールが異なり、非定常性も強いため、価格そのものよりリターンや差分を使うことが多い。対数リターンは と定義できる。BidとAskの中値だけでなく、スプレッド、短期リターン、実現ボラティリティ、レンジ、時刻・曜日、セッション、金利差、ニュース後の経過時間などを特徴量候補にする。ただしMT5のティック出来高は、一般に市場全体の約定出来高ではなく、ブローカーのティック更新量である可能性を前提に扱う。
時点整合と情報リーク防止
特徴量 は、意思決定時点 までに入手できた情報だけで計算する。経済統計は対象期間と公表時点を分け、改定データでは初回公表値を再現できるようにする。複数銘柄の時系列を結合するときは、未来の値を過去へ埋める前方補完や、異なるタイムゾーンの誤整列に注意する。スケーラー、欠損値補完、特徴選択も学習データ内でfitし、テスト期間全体の統計量を先に使ってはならない。
機構に沿った特徴量と冗長性
例えばUSD/JPYのM5予測で、過去1・3・12本リターン、直近レンジ、実現ボラティリティ、Bid/Askスプレッド、ロンドン・NYセッションの状態を使うとする。短期リターンは方向の持続や反転、レンジと実現ボラティリティは価格変動の大きさ、スプレッドは取引可能性、セッションは流動性と参加者構成の違いを表す。複数の移動平均や似た期間のRSIを大量に並べても、同じ情報を繰り返しているだけかもしれない。相関、条件付き重要度、特徴群をまとめて除外する試験で、追加特徴が本当に新しい情報を持つか調べる。
モデル入力の形と時間軸
特徴量は単一時点のベクトル、過去窓のシーケンス、または複数スケールの階層入力として構成できる。M5のエントリーにH1のボラティリティやH4のトレンドを組み合わせる場合、上位足は確定済みバーだけを利用する。未確定H1バーの高値・安値・終値を、そのバーが確定する前から使うと未来情報を含む。複数タイムフレームの特徴を使うほど、バー確定時刻とブローカー時刻の扱いを明示する必要がある。
適用例と限界:スプレッド急拡大を含むUSD/JPY
ロンドン開始直後のUSD/JPYで、過去12本リターンがプラスでもスプレッドが通常の3倍なら、買いシグナルをそのまま採用しない設計が考えられる。モデルへスプレッドを入力する方法と、スプレッド上限で取引を禁止するルールは役割が異なる。前者は予測条件を学習し、後者は実行可能性を守る。両方を用いる場合、スプレッド上限を最適化し過ぎると選択バイアスになるため、固定ルールや独立検証で評価する。
特徴量重要度は因果効果を示さない。強い相関や市場状態の代理変数である可能性がある。また、特徴量を多数試すほど偶然の当たりを発見しやすい。特徴量セット、変換、採用理由、欠損処理、計算時刻をバージョン管理し、性能改善はアブレーションと時間順のアウト・オブ・サンプル検証で確認する。1
References
Quizzes
M5のFXモデルにH1特徴量を追加する場合、未来情報リークを避ける正しい条件はどれか?
- M5判断時点までに確定したH1バーだけを特徴量計算に使う
- M5判断時点で形成中のH1バーの最終高値・安値を使用する
- テスト期間全体のH1平均と標準偏差で全期間を標準化する
- H1バーの終了時刻をM5の開始時刻として前倒しして結合する
上位足の未確定バーには、その後に決まる高値・安値・終値が含まれる。判断時点で確定済みの情報だけに制限する必要がある。
USD/JPYの短期予測にBid/Askスプレッドを特徴量として加える主な理由はどれか?
- 取引可能性や流動性状態がシグナルの実現価値に影響するから
- スプレッドは市場全体の取引出来高を正確に表すから
- スプレッドを加えると価格リターンが定常過程に変わるから
- スプレッドは将来リターンを直接決定する外生変数だから
スプレッドは取引コストと市場状態の代理情報になる。ただし将来リターンを因果的に決めると断定することはできず、実データの時点整合が必要。
スケーラーや欠損値補完器を用いた時系列モデルで、リークを防ぐ学習手順はどれか?
- 各学習fold内でfitし、その変換を対応する検証foldへ適用する
- 全期間でfitしてから学習期間と検証期間を分割する
- 検証期間の分布も利用して学習データの欠損値を補完する
- 全foldを連結して特徴選択し、同じ特徴を過去へ適用する
前処理パラメータ自体もデータから学習されるため、検証情報を使ってfitすると評価期間の分布が学習側へ漏れる。
Comments
No comments yet. Start the conversation.