Add a new article
データサイエンスとML（第46回）：PythonでN-BEATSを使った株式市場予測
データサイエンスとML（第46回）：PythonでN-BEATSを使った株式市場予測
N-BEATSは、時系列予測のために設計された革新的なディープラーニングモデルです。このモデルは、ARIMAやPROPHET、VARなどの従来の時系列予測モデルを超えることを目指して公開されました。本記事では、このモデルについて説明し、株式市場の予測にどのように活用できるかを紹介します。
Pythonの価格変動離散化手法
Pythonの価格変動離散化手法
Python + MQL5を使用した価格離散化手法を見ていきます。本記事では、バー生成に関する幅広い手法を実装したPythonライブラリの開発経験についご紹介します。クラシックなボリュームバーやレンジバーから、よりエキゾチックな練行足やカギ足といった手法までを網羅します。スリーラインブレイクローソク足やレンジバーの統計分析をおこないながら、価格を離散的に表現する新たな方法を探っていきます。
アルゴリズム取引におけるニューロシンボリックシステム：シンボリックルールとニューラルネットワークを組み合わせる
アルゴリズム取引におけるニューロシンボリックシステム：シンボリックルールとニューラルネットワークを組み合わせる
本記事では、古典的なテクニカル分析とニューラルネットワークを組み合わせたハイブリッド型取引システムの開発経験について解説します。システムのアーキテクチャを、基本的なパターン分析やニューラルネットワーク構造から、実際の売買判断に至るメカニズムまで詳細に分析し、実際のコードや実務的な知見も共有します。
量子コンピューティングと取引：価格予測への新たなアプローチ
量子コンピューティングと取引：価格予測への新たなアプローチ
本記事では、量子コンピューティングを用いて金融市場における価格変動を予測するための革新的なアプローチについて説明します。主な焦点は、量子位相推定(QPE: Quantum Phase Estimation)アルゴリズムを適用して価格パターンのプロトタイプを見つけることであり、これによりトレーダーは市場データの分析を大幅に高速化できるようになります。
ビッグバンビッグクランチ(BBBC)アルゴリズム
ビッグバンビッグクランチ(BBBC)アルゴリズム
本記事では、ビッグバンビッグクランチ(BBBC)法について紹介します。本手法は2つの主要な段階から構成されます。すなわち、ランダムな点を周期的に生成する段階と、それらを最適解へ圧縮する段階です。本アプローチは探索と精緻化を組み合わせることで、段階的により良好な解を導出し、新たな最適化の可能性を開くことが可能です。
取引におけるニューラルネットワーク：ウェーブレット変換とマルチタスクアテンションを用いたモデル（最終回）
取引におけるニューラルネットワーク：ウェーブレット変換とマルチタスクアテンションを用いたモデル（最終回）
前回の記事では、Multitask-Stockformerフレームワークを検討しました。このフレームワークは、ウェーブレット変換とマルチタスク自己アテンション(Self-Attention)モデルを組み合わせたものです。本記事では、このフレームワークのアルゴリズムをさらに実装し、実際の過去データを用いてその有効性を評価していきます。
取引におけるニューラルネットワーク：ウェーブレット変換とマルチタスクアテンションを用いたモデル
取引におけるニューラルネットワーク：ウェーブレット変換とマルチタスクアテンションを用いたモデル
ウェーブレット変換とマルチタスク自己アテンション(Self-Attention)モデルを組み合わせたフレームワークを紹介します。本フレームワークは、ボラティリティの高い市場環境における予測の応答性および精度の向上を目的としています。ウェーブレット変換により、資産収益率を高周波成分と低周波成分に分解し、長期的な市場トレンドと短期的な変動の双方を的確に捉えることが可能となります。
取引におけるニューラルネットワーク：予測符号化を備えたハイブリッド取引フレームワーク（最終回）
取引におけるニューラルネットワーク：予測符号化を備えたハイブリッド取引フレームワーク（最終回）
予測符号化と強化学習アルゴリズムを組み合わせた金融時系列分析用のハイブリッド取引システム「StockFormer」の検討を引き続きおこないます。本システムは、複雑なパターンや資産間の相互依存関係を捉えることを可能にするDiversified Multi-Head Attention (DMH-Attn)機構を備えた、3つのTransformerブランチに基づいています。前回は、フレームワークの理論的な側面に触れ、DMH-Attn機構を実装しました。今回は、モデルのアーキテクチャと学習について解説します。
市場シミュレーション（第2回）：両建て注文(II)
市場シミュレーション（第2回）：両建て注文(II)
前回の記事とは異なり、今回はエキスパートアドバイザー(EA)を用いて選択オプションをテストしてみます。最終的な解決策ではありませんが、現時点では十分な内容となっています。本記事を通じて、1つの実現可能な解決方法の実装手順を理解できます。
PythonとMQL5で構築するマルチモジュール型取引ロボット（第1回）：基本アーキテクチャと最初のモジュールの作成
PythonとMQL5で構築するマルチモジュール型取引ロボット（第1回）：基本アーキテクチャと最初のモジュールの作成
Pythonによるデータ分析とMQL5による取引執行を組み合わせたモジュール型の取引システムを開発します。このシステムは、4つの独立したモジュールによって市場の異なる側面（ボリューム、アービトラージ、経済、リスク）を並行して監視します。ランダムフォレストを400本の決定木で構成したモデルを用いて市場データを分析します。特に本システムでは、リスク管理に重点を置いています。どれほど高度なアルゴリズムであっても、適切なリスク管理がなければ意味がありません。
取引におけるトレンド基準
取引におけるトレンド基準
トレンドは多くの取引戦略において重要な要素です。本記事では、トレンドを識別するために使用されるいくつかのツールとその特性にを見ていきます。トレンドを理解し正しく解釈することは、取引効率を大幅に高め、リスクを最小限に抑えることにつながります。
市場シミュレーション（第1回）：両建て注文(I)
市場シミュレーション（第1回）：両建て注文(I)
本日から第2段階に入り、市場リプレイ/シミュレーションシステムについて見ていきます。まず、両建て注文の可能な解決策を示します。これは最終版ではありませんが、近い将来に解決しなければならない問題に対するひとつの可能なアプローチとなります。
取引におけるニューラルネットワーク：予測符号化を備えたハイブリッド取引フレームワーク(StockFormer)
取引におけるニューラルネットワーク：予測符号化を備えたハイブリッド取引フレームワーク(StockFormer)
本記事では、予測符号化と強化学習(RL)アルゴリズムを組み合わせたハイブリッド取引システム「StockFormer」について解説します。本フレームワークは、統合型のDiversified Multi-Head Attention (DMH-Attn)機構を備えた3つのTransformerブランチを使用しています。DMH-Attnは、従来のAttentionモジュールを改良したもので、マルチヘッドのFeed-Forwardブロックを組み込むことにより、異なるサブスペースにわたる多様な時系列パターンを捉えることが可能です。
取引におけるニューラルネットワーク：Attentionメカニズムを備えたエージェントのアンサンブル（最終回）
取引におけるニューラルネットワーク：Attentionメカニズムを備えたエージェントのアンサンブル（最終回）
前回の記事では、複数のエージェントによるアンサンブルを用いて、異なるデータスケールのマルチモーダル時系列をクロス分析するマルチエージェント適応型フレームワーク「MASAAT」を紹介しました。今回は、このフレームワークのアプローチをMQL5で引き続き実装し、この研究を論理的な結論へと導きます。
リプレイシステムの開発（第78回）：新しいChart Trade(V)
リプレイシステムの開発（第78回）：新しいChart Trade(V)
本記事では、受信側コードの一部の実装方法について解説します。ここでは、プロトコルの相互作用をテストし理解するためのエキスパートアドバイザー(EA)を実装します。ここで提示されるコンテンツは、教育目的のみに使用されることを意図しています。いかなる状況においても、提示された概念を学習し習得する以外の目的でアプリケーションを利用することは避けてください。
取引におけるニューラルネットワーク：Attentionメカニズムを備えたエージェントのアンサンブル(MASAAT)
取引におけるニューラルネットワーク：Attentionメカニズムを備えたエージェントのアンサンブル(MASAAT)
アテンション機構と時系列解析を組み合わせたマルチエージェント自己適応型ポートフォリオ最適化フレームワーク(MASAAT: Multi-Agent Self-Adaptive Portfolio Optimization Framework)を提案します。MASAATは、価格系列や方向性の変化を分析する複数のエージェントを生成し、異なる詳細レベルで資産価格の重要な変動を特定できるように設計されています。
リプレイシステムの開発（第77回）：新しいChart Trade (IV)
リプレイシステムの開発（第77回）：新しいChart Trade (IV)
この記事では、通信プロトコルを作成する際に考慮すべきいくつかの対策や注意点について説明します。内容は比較的シンプルでわかりやすいものなので、詳細には触れません。しかし、この記事の内容を理解することで、今後の展開が把握しやすくなります。
取引におけるニューラルネットワーク：マルチエージェント自己適応モデル（最終回）
取引におけるニューラルネットワーク：マルチエージェント自己適応モデル（最終回）
前回の記事では、強化学習アプローチと自己適応戦略を組み合わせ、市場の変動下でも、収益性とリスクの両立を図ることができるマルチエージェント自己適応(MASA: Multi Agent Self Adaptive)フレームワークを紹介しました。MASAフレームワークにおける各エージェントの機能も構築済みです。本記事では、前回の内容をさらに発展させ、その論理的な結論へと到達します。
プライスアクション分析ツールキットの開発（第32回）：Python Candlestick Recognitionエンジン(II) - Ta-Libを用いた検出
プライスアクション分析ツールキットの開発（第32回）：Python Candlestick Recognitionエンジン(II) - Ta-Libを用いた検出
本記事では、Pythonでローソク足パターンを手動で検出していた前回の方法から一歩進み、TA-Libを活用した自動検出手法へと移行します。TA-Libは、60種類以上の異なるローソク足パターンを認識できる強力なテクニカル分析ライブラリです。これらのパターンは、市場の反転やトレンド継続の可能性を読み取る上で有用なインサイトを提供します。ぜひ最後までお読みください。
MQL5で自己最適化エキスパートアドバイザーを構築する（第9回）：二重移動平均クロスオーバー
MQL5で自己最適化エキスパートアドバイザーを構築する（第9回）：二重移動平均クロスオーバー
本記事では、二重移動平均クロスオーバー戦略の設計について説明します。この戦略では、上位時間足（例：日足、D1）のシグナルを参照して下位時間足（例：15分足、M15）でエントリーをおこない、ストップロスレベルは中間的リスク時間足（例：4時間足、H4）から算出します。システム定数やカスタム列挙型、トレンドフォローと平均回帰（ミーンリバージョン）モードに対応したロジックを導入し、モジュール化と将来的な遺伝的アルゴリズムによる最適化を重視しています。このアプローチにより、柔軟なエントリーとエグジットの条件を設定でき、下位時間足でのエントリーを高い時間足のトレンドに合わせることで、シグナルのラグを軽減し、取引タイミングを改善することを目指しています。
知っておくべきMQL5ウィザードのテクニック（第75回）：Awesome Oscillatorとエンベロープの使用
知っておくべきMQL5ウィザードのテクニック（第75回）：Awesome Oscillatorとエンベロープの使用
ビル・ウィリアムズによるオーサムオシレータ(AO: Awesome Oscillator)とエンベロープチャネル(Envelopes Channel)は、MQL5のエキスパートアドバイザー(EA)内で補完的に使用できる組み合わせです。AOはトレンドを検出する能力を持つためこれを利用し、一方でエンベロープチャネルはサポートおよびレジスタンスレベルを定義する目的で組み込みます。本記事は、このインジケーターの組み合わせを探求するにあたり、MQL5ウィザードを用いて両者が持つ可能性を構築および検証します。
MQL5での取引戦略の自動化（第23回）：トレーリングとバスケットロジックによるゾーンリカバリ
MQL5での取引戦略の自動化（第23回）：トレーリングとバスケットロジックによるゾーンリカバリ
この記事では、トレーリングストップとマルチバスケット取引機能を導入することで、ゾーンリカバリー(Zone Recovery)システムを強化します。改善されたアーキテクチャが、利益確定のために動的トレーリングストップをどのように活用し、複数の取引シグナルを効率的に処理するバスケット管理システムの使用方法を探ります。実装とバックテストを通じて、適応的な市場環境に対応するより堅牢な取引システムを実証します。
知っておくべきMQL5ウィザードのテクニック（第74回）： 教師あり学習で一目均衡表とADX Wilderのパターンを利用する
知っておくべきMQL5ウィザードのテクニック（第74回）： 教師あり学習で一目均衡表とADX Wilderのパターンを利用する
前回の記事では、一目均衡表とADXのインジケーターペアを紹介しました。今回は、このペアを教師あり学習でどのように改善できるかを見ていきます。一目均衡表とADXは、サポート/レジスタンスとトレンドを補完する組み合わせとして機能します。今回の教師あり学習アプローチでは、ディープスペクトル混合カーネルを用いたニューラルネットワークを活用し、このインジケーターペアの予測精度を微調整します。通常どおり、この処理はMQL5ウィザードでエキスパートアドバイザー(EA)を組み立てる際に利用できるカスタムシグナルクラスファイル内でおこないます。
グラフ理論：ダイクストラ法を取引に適用する
グラフ理論：ダイクストラ法を取引に適用する
ダイクストラ法は、グラフ理論における古典的な最短経路探索手法であり、市場ネットワークをモデル化することで取引戦略の最適化に応用できます。トレーダーは、ローソク足チャート上の価格データをグラフとして扱い、最も効率的な「経路」を見つけるためにダイクストラ法を使用できます。
ダイナミックマルチペアEAの形成（第3回）：平均回帰とモメンタム戦略
ダイナミックマルチペアEAの形成（第3回）：平均回帰とモメンタム戦略
本記事では、ダイナミックマルチペアエキスパートアドバイザー(EA)を構築する旅の第3部として、平均回帰戦略とモメンタム戦略の統合に焦点を当てます。価格の平均からの乖離（Zスコア）を検出して取引に活かす方法や、複数の通貨ペアにおけるモメンタムを測定して取引方向を判断する方法について詳しく解説します。
MQL5入門（第18回）：ウォルフ波動パターンの基本
MQL5入門（第18回）：ウォルフ波動パターンの基本
本記事では、ウォルフ波動(Wolfe Wave)パターンを詳細に解説し、弱気と強気の両方のバリエーションを取り上げます。また、この高度なチャートパターンに基づいて有効な買いと売りのセットアップを特定するためのステップごとのロジックも分解して説明します。
知っておくべきMQL5ウィザードのテクニック（第73回）：一目均衡表とADX-Wilderのパターンの利用
知っておくべきMQL5ウィザードのテクニック（第73回）：一目均衡表とADX-Wilderのパターンの利用
一目均衡表とADX-Wilderオシレーターは、MQL5のエキスパートアドバイザー(EA)内で補完的に使用できる組み合わせです。一目均衡表は多機能な指標ですが、本記事では主にサポート・レジスタンス(S/R)レベルを定義する目的で使用します。一方、ADXはトレンドの判定に使用します。通常通り、MQL5ウィザードを用いて構築し、両者が持つ潜在能力をテストします。
MQL5での取引戦略の自動化（第22回）：Envelopes Trend取引のためのZone Recoveryシステムの作成
MQL5での取引戦略の自動化（第22回）：Envelopes Trend取引のためのZone Recoveryシステムの作成
本記事では、Envelopes Trend取引戦略と統合されたZone Recoveryシステムを開発します。RSI (Relative Strength Index)とEnvelopesインジケーターを用いて取引を自動化し、損失を抑えるリカバリーゾーンを効果的に管理するためのアーキテクチャを詳述します。実装とバックテストを通じて、変動する市場環境に対応できる効果的な自動取引システムの構築方法を示します。
共和分株式による統計的裁定取引（第1回）：エングル=グレンジャーおよびジョハンセンの共和分検定
共和分株式による統計的裁定取引（第1回）：エングル=グレンジャーおよびジョハンセンの共和分検定
本記事は、トレーダー向けに、最も一般的な共和分検定を優しく紹介し、その結果の理解方法を簡単に解説することを目的としています。エングル=グレンジャーおよびジョハンセンの共和分検定は、長期的なダイナミクスを共有する統計的に有意な資産のペアやグループを特定するのに有効です。特にジョハンセン検定は、3つ以上の資産を含むポートフォリオに対して有用で、複数の共和分ベクトルの強さを一度に評価できます。
MQL5で他の言語の実用的なモジュールを実装する（第1回）：Pythonにヒントを得たSQLite3ライブラリの構築
MQL5で他の言語の実用的なモジュールを実装する（第1回）：Pythonにヒントを得たSQLite3ライブラリの構築
Pythonのsqlite3モジュールは、SQLiteデータベースを扱うためのシンプルで高速かつ便利な方法を提供しています。本記事では、MQL5に組み込まれているデータベース操作用の関数群を活用し、Pythonのsqlite3モジュールと同様の操作感でSQLite3データベースを扱える独自モジュールを構築します。
プライスアクション分析ツールキットの開発（第30回）：コモディティチャンネル指数(CCI)、Zero Line EA
プライスアクション分析ツールキットの開発（第30回）：コモディティチャンネル指数(CCI)、Zero Line EA
プライスアクション分析の自動化は、今後の方向性を示す重要なステップです。本記事では、デュアルCCIインジケーター、ゼロラインクロスオーバー戦略、EMA、そしてプライスアクションを組み合わせ、ATRを用いて売買シグナルを生成し、ストップロス(SL)およびテイクプロフィット(TP)を設定するツールを開発します。CCI Zero Line EAの開発手法について学ぶために、ぜひお読みください。
知っておくべきMQL5ウィザードのテクニック（第72回）：教師あり学習でMACDとOBVのパターンを活用する
知っておくべきMQL5ウィザードのテクニック（第72回）：教師あり学習でMACDとOBVのパターンを活用する
前回の記事で紹介したMACDとOBVのインジケーターペアをフォローアップし、今回はこのペアを機械学習でどのように強化できるかを見ていきます。MACDとOBVは、それぞれトレンド系と出来高系という補完的なペアです。私たちの機械学習アプローチでは、畳み込みニューラルネットワーク(CNN)を使い、カーネルとチャンネルのサイズを調整する際に指数カーネルを利用して、このインジケーターペアの予測をファインチューニングします。今回もこれまでと同様に、MQL5ウィザードでエキスパートアドバイザー(EA)を組み立てられるようにしたカスタムシグナルクラスファイル内で実装しています。
フリーランスサービスでトレーダーから受注して収入を得る方法
フリーランスサービスでトレーダーから受注して収入を得る方法
MQL5フリーランスは、開発者がトレーダー顧客のために取引アプリケーションを作成して報酬を得ることができるオンラインサービスです。このサービスは2010年以来成功裏に運営されており、これまでに10万件以上のプロジェクトが完了し、その総額は700万ドルに達しています。ご覧の通り、相当な額の資金が絡んでいます。
MQL5での取引戦略の自動化（第20回）：CCIとAOを使用した多銘柄戦略
MQL5での取引戦略の自動化（第20回）：CCIとAOを使用した多銘柄戦略
この記事では、CCI (Commodity Channel Index)とAO (Awesome Oscillator)を用いてトレンド反転を検出する多銘柄取引戦略を作成します。戦略の設計、MQL5での実装、バックテストのプロセスについて解説します。記事の最後には、パフォーマンス改善のためのヒントも紹介します。
データサイエンスとML（第44回）：ベクトル自己回帰(VAR)を用いた外国為替OHLC時系列予測
データサイエンスとML（第44回）：ベクトル自己回帰(VAR)を用いた外国為替OHLC時系列予測
本記事では、ベクトル自己回帰(VAR: Vector Autoregression)モデルを用いて、複数の通貨ペアのOHLC（始値、高値、安値、終値）時系列データを予測する方法を解説します。VARモデルの実装、学習、MetaTrader5上でのリアルタイム予測までをカバーし、通貨間の相互依存関係を分析して取引戦略の改善に役立てることができます。
知っておくべきMQL5ウィザードのテクニック（第71回）：MACDとOBVのパターンの使用
知っておくべきMQL5ウィザードのテクニック（第71回）：MACDとOBVのパターンの使用
移動平均収束拡散法(MACD)オシレーターとオンバランスボリューム(OBV)オシレーターは、MQL5のエキスパートアドバイザー(EA)内で併用できるもう一つの指標ペアです。本連載における慣例どおり、この組み合わせも補完関係にあり、MACDがトレンドを確認し、OBVが出来高を検証します。MQL5ウィザードを用いて、この2つが持つ潜在力を構築、検証します。
知っておくべきMQL5ウィザードのテクニック（第69回）：SARとRVIのパターンの使用
知っておくべきMQL5ウィザードのテクニック（第69回）：SARとRVIのパターンの使用
パラボリックSAR (SAR)と相対活力指数(RVI)は、MQL5のエキスパートアドバイザー(EA)内で併用可能なもう一つのインジケーターペアです。このインジケーターペアは、これまでに取り上げたものと同様に補完的で、SARはトレンドを定義し、RVIはモメンタムを確認します。通常通り、MQL5ウィザードを使用してこのインジケーターペアリングを構築し、その可能性をテストします。