Loading...
Loading...
すべてのレビュー、ランキング、ガイド、戦略、信頼性ドキュメント。
メソドロジー
生のマーケットデータから信頼度スコア付きの公開シグナルまで — すべてのエントリー、ストップ、ターゲットの背後にある正確なパイプライン。
最終更新: 2026年5月20日
(シンボル、タイムフレーム)のペアごとに専用のLightGBM勾配ブースティングアンサンブル — 万能型の単一分類器ではなく、タプルごとに専用モデル。10シンボル × 4タイムフレームの完全なカバレッジはPhase 1bで構築中です。
ラベリングにはTriple-Barrier法(López de Prado) — 固定期間リターンではなく3つの終了条件を使用。素朴な手法に比べてラベルリークがはるかに少ない。
信頼度スコア0-100%はモデルの確率出力から直接得られます。60%未満 — シグナルは公開されません。
ATR(14)スケールのSL/TP配置。R倍率はタイムフレームごとに較正 — 通常ターゲットは1.5R〜3.0R。固定pipストップはなし。
経済カレンダーを表示するので、ご自身のイベントフィルターを適用できます。高影響イベント近辺のシグナルのアルゴリズム的な自動拒否はPhase 2のロードマップにあります。
公開されるすべてのシグナルは、これらのステージを順番に通過します。近道はありません。バークローズから公開までの総ウォールクロック時間: 通常4〜9秒。
プライマリブローカー接続(Tier-1 ECN)からのリアルタイムティックストリーム、および冗長化のためのバックアップフィード。バーはH1/M15/H4/D1の境界で厳密なUTC整列で組み立てられます。遅延ティックは破棄 — リペイントは絶対に行いません。
バーごとに約50個のエンジニアリングされたフィーチャー: RSI(14)、MACD(12,26,9)、Bollinger Bands(20,2)、ATR(14)、5-21-50-200 EMAスタック + クロスオーバーフラグ、時間帯セッション、最近のボラティリティレジーム。フィーチャーセットはアブレーション研究の進行に伴って進化します — out-of-sample Sharpeを動かさないものはすべてカットされます。
タプルごとのLightGBMモデルが各方向クラスの確率を出力。推論レイテンシp99 ≈ 6ms。確率較正(Platt scaling)はPhase 2のロードマップにあります — 現在の確率は分類器の生の出力です。
モデルの確率がそのまま0-100%の信頼度スコアになります。シグナルは、信頼度がタイムフレーム別の閾値(イントラデー60% / デイリー55%)を超え、かつリスクリワード比率が1.5R以上の場合にのみ公開されます。テクニカルコンフルエンス + 過去ヒット率を組み合わせたコンポジットスコアリングはPhase 2のロードマップにあります。
シグナルは完全なペイロード(エントリー、ATRスケールSL、ATRスケールTP、信頼度、モデルバージョン)で公開されます。関連通貨の経済カレンダーはシグナルページに並べて表示され、高影響イベント近辺のエントリーを延期できるようになっています。自動イベント拒否はPhase 2のロードマップにあります。
なぜLightGBMか、なぜタプルごとに1つか、代替案はどう見えたか。
各(シンボル、タイムフレーム)ペアは、専用のLightGBM勾配ブースティング決定木アンサンブルを得ます。EURUSD H1とEURUSD H4は異なるモデルです — 基礎となるシンボルは同じでも、バーのダイナミクスは異なり、1時間バーで最適なモデルは4時間バーで過学習または過小学習を起こします。
開発初期にディープニューラルネットワーク(LSTM、Transformer)をテストしました。out-of-sample Sharpeは同程度を達成しましたが、学習コスト10倍、推論レイテンシ100倍、解釈可能性ははるかに低いものでした。サンプルが限られた表形式の金融データ(数百万ではなく数年分のバー)では、勾配ブースティング木が学術文献に従ってstate-of-the-artを維持しています(Grinsztajn 2022, NeurIPS)。
ハイパーパラメータはOptunaにより、walk-forward境界付きでチューニング — ランダムシャッフルは絶対に行いません(未来の情報が学習にリークするため)。モデルは新しいマーケットデータが蓄積されるにつれて定期的に再学習されます; 10シンボル × 4タイムフレームの完全なカバレッジはPhase 1bを通じて段階的に構築されています。
ターゲットカバレッジ
10 × 4
10シンボル × 4タイムフレーム(M15/H1/H4/D1) — Phase 1bで構築中
再学習頻度
定期的
新しいデータが蓄積され、アブレーション研究によって改善が見出されるたびに再学習
モデルごとのフィーチャー数
~50
プライスアクション、テクニカルインジケーター、セッションコンテキスト、ボラティリティレジームにわたる
なぜ固定期間リターンを使用しないか — そしてLópez de Pradoが正しかったこと。
リテール取引MLで最も一般的なラベリングスキームは「固定期間t+Nでのリターン」です — しかしこれはトレーダーが実際にトレードする方法と数学的に矛盾しています。実際のトレードはSLまたはTPに到達したときにクローズするのであって、任意の未来のタイムスタンプではありません。
Triple-Barrier法(López de Prado, Advances in Financial Machine Learning, 2018)は、各バーをそのエントリーから発生したであろう結果でラベル付けします: TPバリアヒット(ラベル = +1)、SLバリアヒット(ラベル = -1)、またはどちらも発生せずTTL経過(ラベル = 0)。バリアはシンボル別のリスクのためATR倍率でサイジングされます。
結果: ラベルは私たちが実際に取ったであろうトレードを反映します。ラベルリークがはるかに少なく、隣接ラベル間の相関が低く、より誠実なクロスバリデーションが可能です。信頼度スコア付きシグナルは、抽象的な「固定期間で価格上昇」ではなく、勝ちトレードの確率を反映します。
すべてのフィーチャーはout-of-sample Sharpeへの測定可能な貢献を持ちます。アブレーションを生き残らなかったものはカットされました。
| インジケーター | パラメータ | 役割 |
|---|---|---|
| RSI | 14期間 | モメンタムオシレーター — 極端な値は買われすぎ/売られすぎレジームを示す |
| MACD | 12 / 26 / 9 | トレンドおよびモメンタムのダイバージェンス — シグナルラインクロスオーバー + ヒストグラム加速 |
| Bollinger Bands | 20期間、2σ | ボラティリティエンベロープ — タッチ時の平均回帰エントリー + ブレイクアウトフィルター |
| ATR | 14期間 | ボラティリティスケール — SL/TPサイジングを駆動、固定pipストップなし |
| EMAスタック | 5 / 21 / 50 / 200 | トレンドレジーム検出 — 傾き + マルチタイムフレーム整合フラグ |
| S/R近接性 | 20バーのスイングピボット | 最寄りのサポート/レジスタンスまでの距離 — コンフルエンスの重みとして使用 |
| 時間帯セッション | アジア / ロンドン / NY / オーバーラップ | 流動性レジーム — セッションバイアスにより戦略が変化 |
| ボラティリティレジーム | ATRパーセンタイル、過去90バー | 低/通常/高 — high-volレジームはより厳しい信頼度閾値を取得 |
すべてのシグナルカードに表示されるスコアが実際にどのように計算されるか。
現在のパイプライン(Phase 1b)
confidence = P_ml → confidence ≥ 閾値 かつ risk_reward ≥ 1.5R の場合に公開固定pipターゲットではなく、ATRスケールのリスク計算。
すべてのシグナルにはエントリー価格、ストップロス、テイクプロフィットが含まれます — すべてシグナル生成時に計算され、人間が選んだものではありません。計算は決定論的で、同じタイムフレームのすべてのシグナルで同一です。
Stop-loss = entry ± ATR(14) × stop_multiplier。Stop_multiplierはタイムフレームによって変化: M15 = 1.0× ATR、H1 = 1.5× ATR、H4 = 2.0× ATR、D1 = 2.5× ATR。ランダムノイズで止められないほど十分タイトに、通常のプルバックでも止められないほど十分広く。
Take-profit = entry ± ATR(14) × stop_multiplier × R_target。R_targetはリスクリワード比: 信頼度により通常1.5-3.0。信頼度の高いシグナルほど高いRターゲットを持ちます — 走る根拠が強いからです。
結果: 2.0Rのリスクリワード。50%の確率で勝てば、ネットでプラスになります。私たちは正しい必要はなく — 較正されている必要があります。
私たちはデータを公開します; アルゴリズム的な自動拒否はPhase 2のロードマップにあります。
FXマーケットは中央銀行の決定、雇用レポート、インフレ指標に支配されています。完璧にバリッドなテクニカルセットアップも、30分後にNFPが発表されると破壊されます。カレンダーは提供します — 拒否を適用するかどうかは現在あなたの判断に委ねられています。
すべての /signals/{symbol}/{tf} ページは、関連通貨の今後の高/中影響イベントを専用のブロックで表示します。データは私たちの取り込みサービスを介してMT5経済カレンダーから流れます(公開エンドポイント /api/public/economic-calendar を参照)。毎分更新されます。
次に計画されていること: 高/中影響イベントがevent_window内に入る場合の新規シグナルの自動拒否。現在、推論エンジンには `news_blackout_enabled` フラグが組み込まれていますが、デフォルトはfalseに設定されています — Phase 2が出荷され、拒否がSharpeに与える正味の効果をバックテストした後に有効化します。
なぜin-sampleバックテストを信用しないか — そして誠実な評価がどう見えるか。
ランダムなtrain/test分割は、リテール取引MLにおける誇張されたパフォーマンス主張の第一の原因です。ランダム分割は未来からの情報が学習にリークするのを許します(隣接バーが強く相関しているため、モデルが何が来るかを学習してしまう)。誠実な評価には時間的順序が必要です。
私たちはwalk-forwardバリデーションを使用します: 過去のウィンドウで学習、次の前方ウィンドウで検証、両方のウィンドウを進めて繰り返し。すべてのモデルバージョンは、本番へのプロモーション前に完全なwalk-forwardレコードで評価されます。
現在の受け入れ閾値(プロモーション前に4つすべてを満たす必要あり): Sharpe比率 ≥ 1.0 (イントラデー) / 勝率 ≥ 0.50 / Profit factor ≥ 1.3 / 最大ドローダウン ≤ 20%。いずれかの閾値を満たせないモデルはプロモーションされず — 前の良いバージョンがライブのまま残ります。閾値は、より多くの過去データが蓄積され、ベースラインが安定するにつれて厳しくなります。
モデル劣化の自動検出はロードマップにあります。現状: 人間による監督 + 手動モデルプロモーション。
ライブのトレード条件は過去のバックテストから乖離します。スプレッドが広がり、スリッページが増加し、マーケットレジームがシフトします。walk-forwardバリデーションを通過したモデルでも本番で劣化することがあります。私たちの長期的な防御策: 継続的なモニタリング + 自動ロールバック。今日はモニタリングの半分が整っています; 自動復元の半分はPhase 2のロードマップにあります。
今日提供されているもの: 公開された各シグナルの結果は不変的に記録されます。/signals/track-record のトラックレコードダッシュボードはローリングメトリクスを表示します — つまり劣化は可視化されています。私たちはまだそれに自動的に対処していないだけです。
Phase 2で計画されていること: ローリング30シグナルウィンドウを受け入れ下限(Sharpe < 0.8 / 勝率 < 0.45 / profit factor < 1.1)と比較するウォッチドッグ。N回連続のミス → 前の良いモデルバージョンへの自動復元 + オンコールエンジニアへの呼び出し。それが出荷されるまでは、モデルプロモーションとロールバックはライブのトラックレコードに対して人間が下す決定です。
誠実なスコープ設定。私たちのメソドロジーはこれらの境界内では堅牢ですが、その外ではモデルの外挿に信頼を置くことになります。
提供できる以上の約束をすれば、信頼を損ないます。これらのシグナルは何でないか。
過去のwalk-forward Sharpeは将来の結果を予測しません。マーケットは進化します。70%の信頼度の較正済みシグナルでも30%は負けます。
シグナルはアルゴリズムの出力です。口座サイズ、ブローカー、レバレッジ、管轄、リスク許容度が、特定のシグナルに従うことがあなたに適切かを決定します。
FxRobotEasyは資金を預かりません。シグナルは情報 — Buyをクリックするのはあなたです。私たちはソフトウェアパブリッシャーであり、ファンドマネージャーではありません。
シグナルは該当タイムフレームの次の1〜2バーで有効です。公開から90分後にH1シグナルを見た場合、エントリー価格は現在から大きく離れている可能性があります — スキップしてください。
定義上、学習データにはすでに発生したレジームのみが含まれます。Brexit、2020年3月COVID、CHFペッグ解除 — モデルはこれらに反応するでしょうが、それらで学習されたわけではありません。
AIシグナルパイプラインに関するよくあるフォローアップ質問。
サンプル数が限られた表形式の金融データ(数百万ではなく数年分のバー)では、勾配ブースティング木はSharpeと解釈可能性でディープネットを上回り、学習コストは10分の1です。ディープネットは画像、言語、連続制御RLでstate-of-the-artですが、FXバー予測ではありません。
定期的に — Phase 1bでは固定カレンダーではなく、新しいデータの蓄積とアブレーションの発見に駆動されます。各再学習では、ホールドアウトされたトレーリングウィンドウに対して完全なwalk-forwardバリデーションを実行します。新バージョンは、受け入れ閾値と現行ライブバージョンの両方を上回る場合にのみプロモーションされます。固定の再学習頻度(計画されているベースラインは毎週)は、モデルレジストリパイプラインが出荷された時点でPhase 2のロードマップにあります。
すべての分割で厳密な時間的順序 — ランダムシャッフルなし。フィーチャーはバークローズ時に利用可能なデータからのみ派生(ルックアヘッドなし)。Triple-barrierラベルは前方に解決されます; 解決ウィンドウから計算されたフィーチャーは含めません。
メソドロジーは完全にドキュメント化されています(このページ)。学習済みの重み、学習データ、ハイパーパラメータはオープンソースではありません — これらが私たちの強みです。パイプラインが主張通りのものを生成することを誰もが検証できるよう、すべてのシグナルと結果を公開しています。
バリデーションでは、Tier-1 ECNスプレッド(EURUSDメジャーで〜0.1-0.3 pips、マイナーで0.5-1.5 pips、XAUUSDで2-4 pips)に加えてスリッページバッファを想定しています。ライブパフォーマンス計算では、ブローカー接続が記録する実際の約定価格を使用します — つまり公開されているトラックレコードはモデル化された実行ではなく、実際の実行を反映しています。バリデーションとライブの差分は、十分な数のクローズドシグナルが蓄積された時点で /signals/track-record で公開します。
メソドロジーはあなたが目にするすべてのシグナルで同じです。今、見に行きましょう。