FX Autonomous Research
Autonomous Research Loop
Autonomous Research Loopは、研究AIが仮説を提案し、実験仕様とコードを作成し、バックテストを実行し、統計・経済・運用面の証拠を評価し、その結果を次の研究へ戻す反復パイプラインである。LLMエージェントに研究を任せることは、無制限にコードを生成し自動売買させることではない。自動化の対象は研究タスクの分解・実験管理・結果要約であり、データアクセス、リソース、リスク、昇格の権限は明確に制限する。
研究を段階的に分離する
- Research Planner:既存Wikiと実験台帳を読み、未検証の問い・先行研究・反証条件を整理する。
- Hypothesis Agent:市場機構と検証可能な予測を記述し、ベースライン・棄却基準を事前登録する。
- Data QA Agent:データ期間、Bid/Ask、時刻、欠損、改定値、ラベル期間、リークの有無を確認する。
- Implementation Agent:特徴量・モデル・バックテストコードを生成する。コードは隔離環境でテストし、実口座資格情報へアクセスさせない。
- Experiment Controller:GPU/CPU予算、並列数、実験ID、seed、時間制限を管理し、全候補を台帳へ記録する。
- Validation Agent:Walk-Forward、Purged CV、PBO/CSCV、DSR、コスト感応度、Monte Carlo、レジーム別評価を実施する。
- Risk/Release Gate:独立した規則で合否を判定し、シャドー運用またはデモ環境への昇格を許可する。
- Knowledge Curator:結果・失敗・コード版・根拠をWikiへ記録し、次の仮説生成へ渡す。
既存研究との関係
NeurIPS 2025のR&D-Agent(Q)は、金融因子研究とモデル開発を反復的に結び付けるマルチエージェント研究開発フレームワークを提案した。Research段階で仮説やタスクを設定し、Development段階でコードを実行し、評価結果をフィードバックして次の探索方向を選択する。著者らは株式市場データでの実験結果を報告しているが、その成績をFXへそのまま移植できるわけではない。1
適用例:USD/JPYの新しいモメンタム仮説
Plannerが既存Wikiと試行履歴から、USD/JPYのロンドン・NY重複時間におけるモメンタム持続性という未検証仮説を提案したとする。Hypothesis Agentは方向、期間、予測ホライズン、想定市場機構、反証条件を記述する。Data QA AgentはタイムゾーンとDST、Bid/Ask、バー確定を検査する。Implementation Agentは特徴量・Triple Barrierラベル・ベースラインを作成し、ControllerがGPU予算内で候補を評価する。Validation Agentは時間順外部期間、コスト上昇、複数検定を評価し、結果が弱ければ棄却理由をWikiへ保存する。成功候補でもRelease Gateが独立に承認するまでは実口座へ注文を出さない。
昇格ゲートと権限設計
研究候補の状態は、Hypothesis、Implemented、Backtested、Robustness Checked、Paper Trading、Approved、Rejected、Archivedのように状態遷移させる。研究AIは候補をRejectedにすること、追加実験を提案すること、Wikiを更新することはできるが、証拠不足のまま本番昇格する権限を持たない。ライブ注文は、別プロセスのRisk Gate、最大ロット、日次損失、ドローダウン、通信異常停止、手動解除などを通過した場合だけ許可する。
失敗モードと評価
LLMは存在しない論文や約定仕様を作る、バックテストに合わせて仮説を後付けする、テスト結果を見て閾値を再調整する、失敗実験を隠す可能性がある。すべての主張に出典・実験ID・データ版を紐付け、コードは隔離環境で実行し、出力を再検算する。自律研究AI自体の評価指標は、候補数やコード生成量ではなく、再現可能な仮説の割合、検証コスト、誤採用率、独立期間で残った候補の比率、運用事故率などにする。AIが多く実験したことと、良いアルファを発見したことは同義ではない。
Quellen
Quizze
FX自律研究ループで、候補戦略を本番へ昇格させる役割として適切なのはどれか?
- 研究エージェントから独立したRelease Gateが検証証拠とリスク条件を審査する
- コード生成エージェントがバックテスト最高値を見て自動承認する
- 仮説生成エージェントが市場機構を説明した時点で本番化する
- 実験ControllerがGPU使用率に応じてロットと発注権限を決める
研究と昇格判断を分離することで、仮説を作ったエージェント自身が自分の成果を過大評価して本番化する危険を抑える。
R&D-Agent(Q)の研究開発ループの中核的な構造はどれか?
- Researchで仮説とタスクを定め、Developmentで実装し、評価結果を次の探索へ戻す
- LLMが一度だけモデルを生成し、検証やフィードバックを省略する
- 実験結果を見ずにコードを反復生成し、最初のモデルを本番へ出す
- 全データを一括して学習し、パラメータ探索を固定化する
R&D-Agent(Q)はResearchとDevelopmentを評価フィードバックで結び、次の探索方針を更新する反復型フレームワークとして説明されている。
自律研究AIがUSD/JPYのテスト期間成績を見て閾値を変更し、改善した同じ期間を最終成績として報告した。問題は何か?
- テスト結果をモデル選択に使ったため、その期間は独立した最終評価ではなくなる
- 閾値変更はコード上の変更なので、選択バイアスには影響しない
- 同じ期間を使うことでWalk-Forwardの未来情報隔離が強化される
- 改善が確認されたため、未実施の最終ホールドアウトとみなせる
テスト結果を見て閾値を変更すれば、そのデータは探索に使われている。独立した未使用期間で改めて評価しなければならない。
Kommentare
Noch keine Kommentare. Fang das Gespräch an.