目录 Research Orchestrator

FX Autonomous Research

Research Orchestrator

Research Orchestratorは、FX研究の工程を依存関係・実行状態・成果物で管理する制御層である。LLMには仮説提案、実験計画、コード案、結果説明などを任せ、データ検査・指標計算・PASS/FAIL判定は決定的なPythonコードへ分離する。生成AIの文章上の確信を統計的な証拠と取り違えず、同じ入力から同じ結果を再実行できる研究工程を目指す。

初期構成と責務

初期版はWindows 11、Python 3.11系、RTX 4060、ローカルMT5端末を想定する。対象はXAUUSDとUSDJPYとし、まずM5/M15のデータとベースラインでデータ・損益の正しさを確認する。PyTorchのGPU wheelはOS・Python環境に合わせて公式セレクターから選び、古いCUDA環境へ推測で合わせない。1

Research Plannerは既存Wiki・実験台帳を読み未検証の問いを出す。Hypothesis Builderは市場機構、予測対象、利用可能情報、成立条件、棄却条件を構造化する。Experiment Designerはデータ版、特徴量、ラベル、ベースライン、CV方式、コストと評価指標を固定する。Implementation Workerは隔離領域でコードを生成・実行する。Validation RunnerはWFA、Purged CV、PBO/CSCV、DSR、Monte Carlo、コスト感応度を計算する。Knowledge Curatorは結果と失敗理由をWikiへ提案する。

状態機械

研究候補の状態はDRAFT → SPECIFIED → DATA_READY → IMPLEMENTED → SCREENED → VALIDATED → STRESS_TESTED → SHADOW → PAPER → APPROVEDとする。棄却・保管はREJECTED / ARCHIVEDへ分岐する。各遷移には入力成果物、判定コード版、日時、理由を記録する。不合格やデータ問題があれば前段へ戻し、変更した候補は新しいexperiment_idで管理する。

実行境界と冪等性

LLMが生成したコードから実口座資格情報やorder_sendへ直接アクセスできないようにする。Research Workerは読み取り専用データと一時作業領域だけを扱い、実行時間・RAM・GPU・並列trial数を制限する。MT5データ取得と将来の注文実行は別プロセス・別権限にする。

ジョブはtask_id、experiment_id、入力hash、Git commit、状態、開始・終了時刻、exit code、ログ先を保存する。同じ入力を再試行しても研究成果が二重登録されないよう、入力一式のhashを冪等キーに用いる。失敗時にはログを残し、無制限の自動再試行を避ける。

推奨リポジトリ

fx-autonomous-research/
  configs/ schemas/
  src/fxlab/
    adapters/mt5/ data/ features/ labels/
    models/ backtest/ validation/ risk/
    execution/ orchestration/ reporting/
  agents/
    planner/ hypothesis/ coder/ reviewer/ curator/
  tests/
    unit/ integration/ leakage/ execution_sim/
  datasets/
    raw/ canonical/ manifests/
  artifacts/
    models/ reports/ predictions/
  experiments/ wiki/
  pyproject.toml  README.md

決定的な価格計算、ラベル生成、約定計算、指標計算はsrc/fxlabに集約し、各agentは共通機能を呼び出す。agentごとに同じ損益式を再実装しない。

最初の受け入れ条件

MT5からXAUUSD・USDJPYのデータを取得し、UTC化・品質検査・hashを再現できること。ベースラインをイベント駆動でテストし、注文・約定・コストを再生できること。LLMが実験仕様を作り、Python検証器が独立して合否を出し、結果を実験台帳とWikiへ戻せること。実口座の自律注文は初期版の完成条件に含めない。

参考文献

测验
  1. Research OrchestratorでLLMと決定的な検証器を分離する主な理由はどれか?

    • LLMは仮説やコード案を出し、数値計算と合否は再現可能な検証器が決める
    • LLMが生成したレポートの文章だけで合否を確定できる
    • 決定的な検証器はコード生成だけを担当し、指標はLLMが推測する
    • 研究workerが発注まで担うことで状態管理を簡略化する

    生成AIの説明と実測値を分ければ、LLMの自己評価で不合格候補が昇格することを防げる。

  2. 単一PC・単一GPUで初期開発を始める際に合理的な構成はどれか?

    • 機能境界を分けたローカル構成で始め、必要になってから分散化する
    • 最初から多数ノードのRay clusterと複数サービスを必須にする
    • データ取得・学習・注文を一つのLLMプロセスへ統合する
    • GPU資源制限なしで全trialを同時実行する

    初期の重点は再現性と研究品質である。分散化は実験量が単一PCの限界へ達した後に追加できる。

  3. LLM生成コードを研究workerで実行する場合の適切な安全境界はどれか?

    • 読み取り専用データと隔離領域を与え、口座資格情報と発注権限は与えない
    • MT5口座パスワードを渡し、研究中に自由に注文できるようにする
    • OSとネットワークの全権限を与え、エラー時に自己修復させる
    • 検証に通ったコードを審査なしでライブ端末へ配置する

    研究workerから実口座を隔離し、権限・ネットワーク・資源を最小化することで誤コードによる損害を防ぐ。

评论

还没有评论,来说第一句吧。