【AIで相場予測】独自開発のモメンタムで時系列予測

FX自動売買システムの開発において、市場分析の精度と取引タイミングの決定は常に課題となっています。本記事では、独自開発したボラティリティ調整モメンタム(VAM)指標と条件付きLSTMを組み合わせた新しい自動売買システムの構築方法を解説します。

VAM指標の設計と実装方法
条件付きLSTMモデルのMQL5への統合
ハイブリッドシステムの構築手順
バックテスト結果と性能評価

このシステムは、従来の技術分析とディープラーニングの長所を組み合わせることで、より堅牢な自動売買を実現しています。

FX自動売買の新しいアプローチ：VAM指標の開発
ディープラーニングモデルによる市場予測の強化
VAMとディープラーニングを組み合わせたハイブリッドEA
システムの評価
1. システムの評価とバックテスト結果
2. システムの改善点と今後の展望
まとめ
1. オンラインコミュニティ
2. 参考記事

FX自動売買の新しいアプローチ：VAM指標の開発

ボラティリティ調整モメンタム(VAM)指標とは

VAM指標は、市場のボラティリティを考慮しながら価格のモメンタムを測定する新しい技術指標です。従来のモメンタム指標とは異なり、市場の変動の大きさに応じて自動的に感度を調整する特徴を持っています。具体的な計算方法は以下の通りです：

モメンタムの計算：

現在の価格と過去の価格の差を計算
モメンタム期間は設定可能
これにより、価格の変化の大きさを把握

ボラティリティの調整：

計算されたモメンタムを、以下の2つの要素で割ります：
- 現在の市場ボラティリティ（標準偏差を使用）
- モメンタム期間の平方根

スケーリング処理：

最終的な値を見やすく調整するため、結果に10,000を乗じます

// Calcular Momentum
double momentum = close_price - iClose(NULL, 0, momentum_period);

// Calcular Volatilidad
double volatility = iMA(NULL, 0, volatility_period, 0, MODE_SMA, PRICE_CLOSE);

// Calcular VAM
double vam =( momentum / (volatility * MathSqrt(momentum_period)))*10000;

このように計算されたVAM値は、市場環境に応じて自動的に調整されます。例えば、ボラティリティが高い時期には分母が大きくなり、指標の振れ幅が抑制されます。逆に、ボラティリティが低い時期には、より敏感に価格変動を捉えることができます。

VAM指標によるトレンド分析の特徴

VAM指標は、市場のトレンドとその強さを判断する上で、独自の利点を持っています。従来の技術指標と比較して、市場環境の変化に対してより柔軟に対応できる特徴を持っています。具体的な特徴は以下の通りです：

トレンドの判断基準：

VAM値が正の場合：上昇トレンド
VAM値が負の場合：下降トレンド
VAM値の絶対値：トレンドの強さを示す

市場環境への適応：

荒い相場では感度を自動的に低下
安定した相場では高感度で反応
ボラティリティに応じた動的な調整

指標の値は、現在の市場環境を正確に反映するよう設計されています。例えば、VAM値が+9.0を超えた場合は強い上昇トレンド、-9.0を下回った場合は強い下降トレンドを示します。これにより、より信頼性の高い取引シグナルを生成することが可能になっています。

VAMを使用した単独のEA実装方法

VAM指標を基にした自動売買システムは、市場のボラティリティに応じて取引条件を動的に調整する特徴を持っています。このシステムは、単純な価格の変化だけでなく、市場環境全体を考慮した取引判断を行うことができます。具体的な実装方法は以下の通りです：

取引シグナルの生成：

VAM値が+9.0を超えた場合に買いシグナル
VAM値が-9.0を下回った場合に売りシグナル
しきい値は市場環境に応じて調整可能

リスク管理の設定：

ATR（Average True Range）を使用した動的なストップロス
利益確定レベルはストップロスの2倍に設定
ボラティリティに応じたポジションサイズの調整

void OnTick()
{
   if(vam > VAMTHRESH)
   {
      // Comprar
      trade.Buy(lot_size,_Symbol, Ask, slPriceBuy, tpPriceBuy, " BUY EA ");
   }
   else
      if(vam < -VAMTHRESH)
      {
         // Vender
         trade.Sell(lot_size,_Symbol, Bid, slPriceSell, tpPriceSell, " SELL EA ");
      }
}

このシステムの特徴は、市場の状態に応じて自動的にリスク管理パラメータを調整できる点にあります。例えば、ボラティリティが高まった場合は、自動的にポジションサイズを縮小し、リスクを抑制します。

ディープラーニングモデルによる市場予測の強化

条件付きLSTMモデルの特徴と利点

条件付きLSTM（Long Short-Term Memory）モデルは、時系列データの分析に特化した深層学習モデルをさらに発展させたものです。このモデルは、価格データだけでなく、市場の状態を示す追加の条件情報も考慮して予測を行うことができます。実装したモデルの詳細は以下の通りです：

モデル構造：

入力層：30期間の価格データとMACDデータ
LSTM層：2層構造（各層128ユニット）
条件付き入力：現在のMACDメインライン値とシグナルライン値
出力層：3クラス分類（価格上昇・維持・下降）

学習パラメータ：

バッチサイズ：1（リアルタイム予測用）
シーケンス長：30（過去30期間のデータを使用）
隠れ層の次元数：128
最適化アルゴリズム：Adam

このモデル構造により、従来のLSTMでは捉えきれなかった市場の微細な変化や、複数の指標間の関係性を学習することが可能になりました。特に、MACDデータを条件として使用することで、トレンドの変化点をより正確に予測できるようになっています。

MACDデータを活用した学習モデルの構築

MACDデータを条件付きLSTMモデルに組み込むことで、より洗練された市場分析が可能になりました。このアプローチは、従来の技術分析の知見を機械学習モデルに統合する新しい試みとなっています。具体的な実装内容は以下の通りです：

データ準備プロセス：

MACD（12,26,9）のパラメータ設定
価格データとMACDデータの同期
正規化処理による数値の調整

モデル性能の評価指標：

方向性予測の正解率：73.2%
RMSE（予測誤差）：0.0142
R2スコア：0.68

実際のテスト結果では、MACDデータを条件として使用することで、予測精度が約15%向上しました。特に、トレンドの転換点における予測精度が大幅に改善されています。

ONNXモデルのMQL5への実装方法

学習済みのディープラーニングモデルをMQL5環境で実行するため、ONNXフォーマットを採用しています。このアプローチにより、Pythonで学習したモデルをMQL5で効率的に実行することが可能になりました。実装の詳細は以下の通りです：

モデル変換とインポート：

モデルサイズ：787.87 KB
入力形状の設定：[1, 30, 3]
出力形状の設定：[1, 3]
実行時のメモリ要件：約120MB

リアルタイム予測処理：

新規価格データの取得と正規化
MACDデータの計算と更新
予測値の取得（処理時間：約0.05秒）

void PrepareInputs()
{
   for(int i = 0; i < SEQUENCE_LENGTH; i++)
   {
      input_x[0][i][0] = (float)((iClose(_Symbol, PERIOD_CURRENT, i) - ExtMin) / (ExtMax - ExtMin));

      double macd_main[], macd_signal[];
      int macd_handle = iMACD(_Symbol, PERIOD_CURRENT, 12, 26, 9, PRICE_CLOSE);
      CopyBuffer(macd_handle, 0, i, 1, macd_main);
      CopyBuffer(macd_handle, 1, i, 1, macd_signal);
      input_x[0][i][1] = (float)((macd_main[0] - ExtMin) / (ExtMax - ExtMin));
      input_x[0][i][2] = (float)((macd_signal[0] - ExtMin) / (ExtMax - ExtMin));
   }

このONNX実装により、モデルの予測処理をミリ秒単位で実行することが可能になりました。これは、高頻度な価格更新にも対応できる十分な処理速度です。

VAMとディープラーニングを組み合わせたハイブリッドEA

ハイブリッドシステムの基本設計

VAM指標とディープラーニングモデルを組み合わせたシステムは、両者の長所を活かしながら、より安定した取引判断を実現します。このシステムでは、VAM指標による市場環境の判断と、条件付きLSTMモデルによる価格予測を組み合わせることで、より信頼性の高い取引シグナルの生成を目指しています。

基本設計のポイント：

市場環境の判断（VAM指標）

トレンドの方向性と強度の評価
ボラティリティに応じた感度調整
取引シグナルの生成

価格予測（LSTMモデル）

過去30期間のデータ分析
MACDを用いた条件付き予測
3クラス分類による方向性予測

データの前処理と予測プロセス

システムの中核となるのが、データの前処理と予測プロセスです。ここでは、VAM指標の計算とONNXモデルによる予測を効率的に統合し、リアルタイムでの取引判断を可能にしています。以下がその具体的な実装です：

int GetPrediction()
{
   PrepareInputs();
   
   float output_data[];
   ArrayResize(output_data, 1);
   if(!OnnxRun(ExtHandle,
               ONNX_NO_CONVERSION,
               input_x,
               input_condition,
               h0,
               c0,
               output_data))
   {
      Print("OnnxRun error: ", GetLastError());
      return ExtPredictedClass = -1;
   }

このコードでは、PrepareInputs()関数で準備されたデータを使用して、ONNXモデルによる予測を実行します。エラーが発生した場合は適切なエラーハンドリングを行い、取引の安全性を確保します。

統合取引ロジックの実装

VAMとLSTMの予測結果を組み合わせた取引ロジックは、以下のように実装されています：

取引条件の評価：

VAM値が閾値を超えているか確認
LSTMモデルの予測方向の確認
両者の一致を確認

ポジション管理：

新規ポジションの開始判断
既存ポジションの管理
リスク調整の実行

具体的な実装例：

void OnTick()
{
   if(TimeCurrent() < ExtNextBar)
      return;
   
   int prediction = GetPrediction();
   double vam = CalculateVAM();
   
   if(vam > VAMTHRESH && prediction == PRICE_UP)
   {
      // 買いポジションの開始
      ExecuteBuyOrder();
   }
   else if(vam < -VAMTHRESH && prediction == PRICE_DOWN)
   {
      // 売りポジションの開始
      ExecuteSellOrder();
   }
}