— ONNX出力の注意点・平均回帰問題・スタッキングの落とし穴まで —

FXの値動きをAIで予測するとき、
よく使われるモデルのひとつが LightGBM（LGBM） です。

本記事では、
・回帰モデルの誤差関数（MAEなど）の違い
・平均回帰問題と対策
・スタッキングに回帰を使うときの注意点
・MQL5でLightGBMモデルを使うためのONNX化のコツ
をまとめて解説します。

WAN

CNN-LSTMをも凌駕するLGBMを使いこなそう(‘ω’)

1. MQL5でLightGBMを使うなら、ONNX出力が必須

LightGBMで学習したモデルを、
MetaTrader5（MQL5）でそのまま読み込むことはできません。

そのため一般的には、

→ ONNX形式に変換してからMQL5で読み込む

という流れになります。

しかし、ここで ひとつ重要なポイント があります。

→ ONNX形式に変換してからMQL5で読み込む

■ ONNXの出力形状は必ず [1, 1] に ReShape する
■① 目的変数を工夫する
■② 損失関数をMAE → Huber → Quantileに進化させる
■③ ベースモデルは分類にして方向性のみを学習
1. ■ ベースモデル：回帰
◆ しかし、FXでは平均回帰問題があるため

■ ONNXの出力形状は必ず [1, 1] に ReShape する

LightGBMの回帰モデルは、そのままONNXに変換すると
出力形状が [1] や [None] のように扱われることがあり、
MQL5 の OnnxRun ではエラーになることがあります。

以下の記事を参考にしてください👇
https://wonderfulfxlife.com/onnxcatboostregressor/

この記事の内容と同じように、
最終出力を [1,1] に ReShape しておく必要があります。

◆ ReShapeする理由

MQL5 の OnnxRun は
（バッチサイズ, 出力次元）
の2次元を前提にしているためです。

2. MAEを中心とした誤差関数の関係図（メリット → 問題 → 改善）

ここからが本題です。

回帰モデルの誤差関数にはいろいろありますが、
最初に考えるべきなのは MAE（平均絶対誤差） です。

ここでは、
MAE → Huber → Quantile
の流れで「なぜこれらが存在するのか」をつなげて説明します。

3. MAE（平均絶対誤差）

◆ MAEとは

「予測がどれくらい外れたか」を
絶対値 で平均したものです。 $MAE = \text{mean}(|y – \hat{y}|)$

◆ MAEのメリット

外れ値（急激な価格変動）に強い
RMSEよりもシンプルで直感的
過剰なペナルティを与えない

◆ MAEのデメリット

勾配が一定のため、学習が遅くなりやすい
外れ値に強すぎる＝動きが小さくまとまりやすい
→ 平均回帰を起こしやすい

ここがFXでは特に問題になります。

★ MAE は「無難な中心付近」を予測しやすい

価格の変化量はほとんどが小さいため、
MAEで学習すると、
“とりあえず0付近にしておけば平均的に損をしない”
という方向に学習が進みます。

つまり、

MAE → 平均回帰しやすい（予測が弱くなる）

4. Huber損失（MAEの弱点をやわらげたもの）

◆ Huberとは

MAEの「学習の遅さ」と
RMSEの「外れ値に弱すぎる」
を折り合わせた損失関数です。

誤差が小さいときはRMSE、
誤差が大きいときはMAEになる
というハイブリッド型。

◆ メリット

MAEより学習が安定しやすい
RMSEより外れ値に強い
平均回帰の発生を少し減らせる

◆ デメリット

まだ「中央値」に引っ張られやすく、
FXでは まだ平均回帰が残りやすい

→ これをさらに改善するためにあるのが「Quantile」です。

5. Quantile損失（分位点回帰）

◆ Quantileとは

ターゲットの 分布の特定位置（分位点） を予測する損失。

たとえば 0.7 を指定すると、
70%の位置の値を予測するモデルになります。

◆ メリット

中央値（0.5）の固定ではなく、
0.3・0.7・0.9 など好きな位置を予測できる
→ 平均回帰の回避に使いやすい
ボラティリティ推定に使える

◆ デメリット

少し難しく、調整が必要
目的がはっきりしていないと逆に精度が下がる

WAN

Quantileでも平均回帰問題が解決しない時は特徴量・目的変数を改善させよう！

6. 平均回帰問題とは？FXでは特に深刻

FXは短期予測の値動きの9割が「ほぼ横ばい」です。
そのため、一般的な次の足を予測する回帰モデルは

■ とりあえず中央値（平均付近）を出しておけば

最も安全（損失最小）

という結論になりやすい。

これが 平均回帰問題（Mean Reversion Problem） です。

◆ 平均回帰の結果

上昇トレンドなのに動きが小さすぎる
下落トレンドでも予測の伸びが弱い
実際の値動きよりも予測が「フラット」

つまり 価格予測AIなのに全然強くならない。

7. 平均回帰の対策

以下の方法が効果的です。

■① 目的変数を工夫する

ATRで正規化
ATRのlog（ATRLog）
ターゲットの中長期化
価格差ではなく「方向性＋確率」形式

■② 損失関数をMAE → Huber → Quantileに進化させる

MAE：中央値に寄りやすい
Huber：MAEほど弱くない
Quantile：中央値から脱出

■③ ベースモデルは分類にして方向性のみを学習

回帰より「分類」のほうが、
平均回帰の影響を受けません。

8. スタッキングと平均回帰問題の関係

（重要ポイント）

一般的には、

■ ベースモデル：回帰

■ メタモデル：分類

とするのがセオリーです。

理由は、

回帰モデルは情報量が多い
メタモデルが方向性だけを学習して効率が良い

とされているためです。

◆ しかし、FXでは平均回帰問題があるため

ベースを回帰にしても、その出力が「弱い」ままでは意味がありません。

ベースモデルが

平均に張り付く
ボラティリティを捉えない
ノイズに綺麗に負ける

状態だと、
メタモデルに渡す情報も弱くなり、
スタッキングは成立しません。

▼ スタッキングについての調査結果はこちら
https://wonderfulfxlife.com/stacking_deepresearch/

9. FXのスタッキングで大事なのは「ベースの強さ」

まとめると、

■ MAE → 平均回帰を起こしやすい

↓
■ Huber → 少し改善
↓
■ Quantile → 平均回帰を回避しやすい
↓
■ 回帰ターゲットを工夫（ATRLogなど）
↓
■ ベースモデルの情報量が増える
↓
■ そこで初めてスタッキングが成立する

という順番です。

まとめ

本記事では

LightGBM回帰 × MAE × 平均回帰問題
Huber・Quantileとの関係
スタッキングの落とし穴
MQL5に使うためのONNXの ReShape（[1,1]）問題

をまとめました。

FXのAIモデルを強くするには、
目的変数・損失関数・出力形状・スタッキング構造
すべてがつながっています。

「MAEで学習させればいい」という単純な話ではなく、
FX特有の“平均回帰”を避ける工夫が重要です。

オンラインコミュニティ

こちらのコミュニティで、AIや機械学習をトレードに活かすために日々探求しています。
興味のある方は覗いてみてください。