目录 FX Autonomous Research

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

  1. 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。
  2. 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。
  3. 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。
  4. 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。

测验
  1. 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。

  2. 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。

  3. 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。

评论

还没有评论,来说第一句吧。