FX Autonomous Research
FX Autonomous Research
FX Autonomous Researchは、FXのデータ取得からアルファ仮説、機械学習、統計検証、ポジション管理、MT5執行、ドリフト監視、知識更新までを一貫させる研究体系である。23の概念ページは独立した専門知識として読める一方、実際の研究工程では相互依存する。最初にデータと市場構造を理解し、その情報から仮説・特徴量・ラベルを作り、候補を厳密に比較し、最後に実行・リスク・監視へ接続する。
研究体系の流れ
- Market Structure & Dataは、取引可能な市場の観測範囲・データ品質・コスト・状態を定義する。
- Alpha Discovery & MLは、観測情報から反証可能な仮説を作り、特徴量・ラベル・予測モデル・逐次意思決定へ変換する。
- Statistical Validation & Robustnessは、シミュレーションの現実性、時間方向の汎化、ラベルリーク、探索による選択バイアス、損失経路の不確実性を調べる。
- Risk, Deployment & Autonomous Operationsは、検証済みシグナルを数量・口座リスク・実行システムへ接続し、モデル劣化と研究履歴を監視する。
この流れは直線的な一度きりの工程ではない。約定ログやドリフト検知が市場データの欠陥を示せばデータ層へ戻り、検証で過学習が見つかれば仮説・特徴量・探索手順へ戻る。自律研究ループは、この反復を記録可能な状態遷移として管理する。
23概念の比較
| 概念 | 研究上の役割 | 仕組み・主な仮定 | 検証の焦点 | 限界・保護策 |
|---|---|---|---|---|
| FX Market Microstructure | FX価格形成の理解 | OTC分散市場、流動性、参加者・時間帯 | 実際のフィードと時間帯の差 | 単一ブローカーは市場全体ではない |
| Tick Data Engineering | 信頼できる価格入力 | 時刻・Bid/Ask・重複・欠損を整備 | ティック品質とバー再構成 | フィード固有の欠落・時刻誤差 |
| Spread and Slippage | 取引コストの測定 | Bid/Askと約定差をモデル化 | コスト込み純損益 | 流動性・注文サイズで変化 |
| Market Regime Detection | 状態の分類 | HMM、変化点、状態特徴 | 未来情報なしの時点推定 | 状態数・境界の不確実性 |
| Volatility Modeling | 変動幅とリスクの推定 | GARCH、実現ボラ等 | 予測誤差と尾部校正 | 急変・構造変化 |
| Alpha Hypotheses | 検証可能な問いを定義 | 市場機構と反証条件 | ベースライン超過 | 後付け仮説・探索バイアス |
| Feature Engineering | 市場情報をモデル入力へ変換 | リターン、ボラ、時間、流動性 | 時点整合とアブレーション | リーク・冗長性・代理変数 |
| Triple-Barrier Labeling | 取引に近い教師ラベル | 利益・損失・時間バリア | ラベルと実損益の整合 | バー内順序・コスト差 |
| Supervised Signal Models | 条件付き予測 | 分類・回帰・確率モデル | 時間外精度と純損益 | 非定常性・校正不良 |
| Time-Series Foundation Models | 事前学習表現の利用 | ゼロショット・追加学習 | Random Walk等との比較 | FXでの汎化・学習データ不明 |
| Reinforcement Learning | 逐次ポジション制御 | 状態・行動・ネット報酬 | 未知期間・実行費用 | 報酬ハック・環境誤差 |
| Event-Driven Backtesting | 実行可能性の再現 | 時刻順の注文・約定イベント | Bid/Ask・遅延・拒否 | 約定モデルの仮定 |
| Walk-Forward Analysis | 時間方向の汎化 | 過去学習・直後の未来テスト | fold・レジーム別再現 | テスト再利用・窓選択 |
| Purged Cross-Validation | 重複ラベルのリーク抑制 | 区間重複のpurgeとembargo | ラベル期間の隔離 | 他種のリークは別対策 |
| PBO and CSCV | 戦略選択の過学習測定 | IS勝者のOOS順位 | OOS順位の劣化頻度 | ブロック・候補集合依存 |
| Multiple Testing Control | 多数試行の補正 | DSR、SPA等 | 試行数と帰無仮説 | 探索履歴の欠落 |
| Monte Carlo Stress Testing | 経路・条件のストレス | Bootstrap・シナリオ摂動 | MDD・尾部損失・破綻 | 未観測危機は自動生成しない |
| Position Sizing | 個別取引量の決定 | 損失予算・ストップ距離・Kelly | 口座通貨での実損失 | ギャップ・推定誤差 |
| Portfolio Risk Controls | 口座全体の制限 | 相関・通貨曝露・損失限度 | ストレス時の合算損失 | 相関・流動性は変化 |
| MT5 Execution Architecture | シグナルの発注と照合 | Python API・Risk Gate・Reconciliation | 約定・注文・内部状態 | API成功と約定は別 |
| Drift Detection | モデル劣化の監視 | 分布変化・残差・状態監視 | 誤警報・検出遅延 | 入力変化は必ずしもアルファ喪失でない |
| Experiment Tracking | 研究の再現性 | データ・コード・設定・成果物の版管理 | 同一条件での再現 | 外部フィード・非決定性 |
| Autonomous Research Loop | 研究工程の自動反復 | 仮説・実装・検証・フィードバック | 再現可能な候補と誤採用率 | 本番昇格は独立ゲートが必要 |
既存知識との接続
現在のWikiにはEigma自体の使い方を扱う「Getting Started with Eigma」章がある。FX研究章はそこへ入れ子にせず、独立したトップレベル章として配置した。Eigmaの知識取り込み・レビュー機能は研究成果の記録手段として利用できるが、FXの市場理論や統計的検証そのものを説明する既存ページではない。したがって、この章の23概念を中心に専門知識グラフを形成する。
研究を進める際の優先順位
実装の順序は、データ品質とコストの確立、シンプルなベースライン、仮説・ラベル設計、厳密な時間順検証、頑健性評価、リスク制御、デモ・シャドー運用の順が妥当である。最初から大規模DNNやRLを回すと、データの誤りや約定仮定の誤りを複雑なモデルが覆い隠す。研究候補の昇格は、予測精度だけでなく、取引可能性、独立期間の純損益、ドローダウン、統計的不確実性、運用の安全性を満たす場合に限る。
本章の各概念ページに、対応する一次資料・学術論文・公式仕様への脚注付き参照を収録した。
Quizze
FX研究の全体工程で、特徴量と取引ラベルを作る前に確立すべき基盤はどれか?
- 市場の観測範囲、ティック品質、Bid/Ask、取引コストのデータ基盤
- 最も大きいDNNの構成と強化学習の報酬係数
- バックテスト最高成績の閾値と本番ロット
- 自律エージェントの数とGPU並列ジョブ数
不正確なデータやコスト前提で学習・検証すると、モデルの複雑さに関係なく評価全体が誤る。市場構造とデータを先に確立する。
FX研究でWalk-Forward、Purged CV、PBO/CSCVを組み合わせる理由はどれか?
- 時間方向の汎化、ラベル重複リーク、候補選択の過学習という異なる問題を検査するため
- 3つの手法が同じ分割を行うため、計算時間を短縮するため
- 複数検証を行えば、全ての市場構造変化を完全に予測できるため
- 各手法の成績の中から最も高い指標を選び、残りを省略するため
WFAは未来方向の評価、Purgingは重複情報区間の除外、PBO/CSCVは探索で選んだ勝者のOOS順位劣化を扱う。
自律研究AIが多数の候補から高成績モデルを発見したとき、本番昇格に必要な考え方はどれか?
- 独立した統計・経済・リスク審査とデモ運用を通過し、独立ゲートが承認する
- 自律AIが生成した候補なので、人間のリスク制御を外して即時運用する
- 最高バックテストのモデルを選び、探索回数や不採用候補は削除する
- 予測精度が高ければ、約定条件やポートフォリオ曝露の確認を省く
研究エージェントは候補生成・実験を担当し、本番昇格は独立した基準に従う。バックテスト成績だけで実運用を許可してはならない。
Kommentare
Noch keine Kommentare. Fang das Gespräch an.