Contents Market Regime Detection

FX Autonomous Research

Market Regime Detection

Market Regime Detectionは、為替市場のデータ生成過程が時間とともに変化することを前提に、トレンド、レンジ、高ボラティリティ、低流動性、政策転換などの状態を推定する研究分野である。レジームは市場に固定された真のラベルではなく、観測変数とモデル仮定に基づく潜在状態の推定結果である。分類名を付けること自体よりも、その状態が将来の予測誤差や取引リスクをどの程度説明するかが重要になる。12

潜在状態と遷移

Markov switchingモデルでは、観測リターンの分布パラメータが潜在状態に依存し、状態遷移はMarkov過程で表される。たとえばUSDJPYについて、状態1は低ボラティリティ、状態2は高ボラティリティと解釈できる。ただし状態番号自体に経済的意味はなく、推定後に条件付き分散や平均、遷移確率を調べて意味づける。

Hauzenbergerらの為替予測研究は、複数の構造的な為替モデル間をMarkov過程で遷移させ、遷移確率を日米の金融政策スタンスの尺度に依存させた。8通貨ペアへの予測実験ではモデルの証拠が時間とともに変化し、モデル不確実性を扱う方法が多くの通貨ペアで密度予測を改善したと報告する。1

レジームとドリフトは同じではない

レジームは、観測分布や条件付き関係が状態ごとに異なるというモデル化の考え方である。構造変化(structural break)は関係が変わる事象、concept driftは機械学習分野で入力と目的変数の関係が変わる現象を指すことが多い。用語は文献によって揺れるため、研究では「特徴量分布が変わったのか」「リターン条件付き分布が変わったのか」「予測と結果の対応が変わったのか」を明記する。2026年の金融時系列非定常性サーベイは、これらの用語の混用と、検出遅延・誤警報・計算量・金融的効用を同時に評価する必要を論じる。2

XAUUSDのケース

XAUUSDで、低ボラティリティのレンジが続いた後に米金融政策の発表で変動が急拡大したとする。モデルが高ボラティリティ状態の事後確率を上げれば、ロット縮小や停止、ストップ幅の再設定の判断に利用できる。ただし、状態判定に当該バーの終値や将来データを使って過去へ遡って分類すれば、バックテストには未来情報が混入する。リアルタイム運用で利用できるのは、その時点までの情報から計算したフィルタリング確率であり、全サンプルで平滑化した状態推定とは異なる。

評価方法

検出モデルは、単純なローリングボラティリティや閾値ルールと比較する。予測精度だけでなく、状態変化後の検出遅延、誤警報率、状態の持続性、状態別のネット損益、停止によって逃した利益、最大ドローダウンへの影響を計測する。遷移数が多すぎるモデルはノイズに反応し、少なすぎるモデルは構造変化に追いつかない。

レジームを使って戦略を切り替える場合は、検出モデルと売買戦略を同じデータで同時に最適化しない。訓練期間で閾値を決め、未来の期間で状態確率と運用結果を評価する。レジームの解釈も事後的な物語で終わらせず、事前に定義した特徴量・経済イベントとの関係を調べる。

限界とリスク

潜在状態の意味は推定期間や特徴量に依存し、同じ「高ボラティリティ」でも価格方向、流動性、スプレッドは異なる。検出された状態が将来の優位性を保証するわけではない。レジームの分類が不安定なら、単一の離散ラベルに依存するより、状態確率や連続的なリスク指標を使う方が適切な場合がある。根拠がない状態名は未確認として扱う。

References

Quizzes
  1. Markov switchingモデルで推定された状態番号「1」「2」の扱いとして正しいものはどれか?

    • 状態番号1は必ず上昇相場、2は必ず下降相場を表す
    • 状態番号は任意で、条件付き分布を調べて意味を解釈する
    • 状態番号は売買方向を直接表すため再解釈は不要である
    • 状態番号は中央銀行が公表する公式な市場分類である

    潜在状態のラベルは識別上の番号にすぎない。平均、分散、遷移確率、特徴量との関係を調べて初めて経済的な解釈を与えられる。

  2. リアルタイムでレジームを判定するバックテストに使うべき確率はどれか?

    • 全期間の未来データも使って計算した平滑化状態確率
    • その時点までの情報から計算したフィルタリング状態確率
    • テスト期間終了後に最も利益を説明した状態ラベル
    • 全データを標準化してから計算した事後的な状態番号

    フィルタリング確率は時点tまでの情報に条件付けられる。平滑化確率は未来の観測も利用するため、リアルタイムの判定を再現する用途には使えない。

  3. レジーム検出器を実務評価するとき、予測精度以外に重要な測定項目はどれか?

    • 検出遅延、誤警報率、状態別ネット損益、ドローダウン
    • 学習データの件数、モデルの層数、GPU使用率だけ
    • 状態番号の大小、ラベルの色、分類名の分かりやすさ
    • 訓練期間の最大Sharpe比と最小損失だけ

    運用価値は状態変化に何本遅れて気付くか、誤って停止しないか、リスクと費用を含めて改善するかで決まる。

  4. XAUUSDの急変を検出するモデルが過去の状態を全期間データで再分類した場合、何が問題になるか?

    • 状態数が減るので予測分散が必ず小さくなる
    • 未来の観測が過去の判定に入り、バックテストが先読みになる
    • 状態確率が連続値なので売買ルールに使えなくなる
    • 急変イベントが必ず通常時の分散に吸収される

    全期間で平滑化した状態は未来情報も使う。実運用で時点tに利用できる情報だけで判定した状態系列を使う必要がある。

Comments

No comments yet. Start the conversation.