AI FXとは？機械学習でFX自動売買を作る仕組みと個人開発の全手順
最終更新: 2026年06月
AI FXとは、機械学習モデルや生成AIを活用して為替相場の値動きを予測し、エントリー・決済の判断や自動売買（EA）に組み込む手法の総称だ。PythonライブラリがタダでそろいGenAIが当たり前になった今、「個人でFX AIを作りたい」という声はSNSでもよく見かける。技術的には確かに作れる。ただし「動くものが作れること」と「稼ぎ続けるシステムになること」はまったく別の話だ。本稿では機械学習モデルの構造から実装手順、そして個人運用でぶつかる現実的な壁まで、数理的な観点から整理した。対象読者はプログラミング経験があるがAI×FXは初めて、という人を想定している。
免責事項: 本記事は情報提供を目的とするものであり、特定の投資手法・システムの収益を保証するものではありません。FX取引には元本割れを含む損失リスクが伴います。実際の運用は自己判断・自己責任で行ってください。
AI FXでできること：自作モデルと既製サービスの違い
AI FXと呼ばれる領域には大きく二つのアプローチがある。一つは本稿で扱う「機械学習モデルを自分で設計・学習させる」自作型、もう一つは事業者が提供する既製のAI自動売買サービスを利用する型だ。
自作型のAI FXでできることは、テクニカル指標を特徴量にした値動き予測（本稿で扱うRandomForest・XGBoost・LSTM等）が中心だ。ロジックを完全にコントロールできる分、設計・検証・運用のすべてを自分で背負う必要がある。
既製のAI自動売買サービスは、モデルの構築・検証を事業者側が行っており、個人はパラメータ選択と資金管理に集中できる。開発コストをかけずに始められる反面、内部ロジックの透明性は自作型より低くなりやすい。
本稿は前者、つまり「自分でAI FXシステムを作る」ケースに焦点を当てる。以降で解説する技術要件・実装手順・落とし穴は、この自作型を前提にしている。
FX AIシステム（機械学習モデル）の基本的な仕組み
FX AIシステムの核心は「過去の価格・指標データから未来の値動きのパターンを統計的に学習させる」モデルにある。入力特徴量（feature）には移動平均乖離率・RSI・ATR・出来高といったテクニカル指標が多用される。出力は「次のローソク足で上昇するか否か」の2値分類か、「何pips動くか」の回帰値だ。
数式で書けば、モデルは $f: \mathbb{R}^n \to {0,1}$ または $f: \mathbb{R}^n \to \mathbb{R}$ を学習していることになる。入力次元 $n$ は特徴量の数に対応し、数十から数百になることが多い。重要なのは、相場データは定常過程でないという点だ——平均・分散が時間とともに変化する非定常性を持つため、通常の機械学習タスクよりデータの扱いが難しい。
モデル選択の比較：RandomForest / XGBoost / LSTM / Transformer
どのモデルを選ぶかは「FXというタスクの性質」と「個人が維持できる複雑さ」の二軸で判断すべきだ。以下に主要4モデルの適性をまとめる。
RandomForest
意思決定木を多数束ねたアンサンブル手法。個人がFX AIに入門するなら、現時点でもっとも無難な選択肢だと評価している。理由は三つある。
第一に、feature_importances_ 属性から「どの特徴量が予測に効いているか」を数値で確認できる透明性がある。第二に、ハイパーパラメータ（n_estimators・max_depth・min_samples_split）への感度が比較的低く、デフォルト設定でも一定の水準に達しやすい。第三に、非線形な関係をキャプチャできるにもかかわらず、学習・推論速度がLSTMより高速だ。
難点はシーケンシャルな依存関係の扱いが弱いことだ。「直前10本のローソク足の文脈を読む」ような時系列的パターンは、特徴量を工夫しないと取り込みにくい。
難易度: 中（入門向け） FXへの向き不向き: 特徴量エンジニアリング次第で高い汎用性。過学習はDepth制約で制御しやすい。
XGBoost
勾配ブースティングの代表実装。Kaggleコンペで長年トップを争ってきた実績がある通り、構造化データに対してRandomForestと比較して精度が高いケースが多い。
FX文脈での優位性は、learning_rate（収縮率）とearly_stoppingの組み合わせで過学習を細かく制御できる点だ。また xgboost.DMatrix は欠損値処理を内部で行うため、前処理の手間が一部省ける。
ただし、ハイパーパラメータが多い（eta・max_depth・subsample・colsample_bytree・lambda・alphaなど）ため、グリッドサーチの計算コストが上がる。RandomForestに慣れてからステップアップする位置付けが適切だと思う。
難易度: 中〜高 FXへの向き不向き: 短期予測のベンチマーク比較で安定して上位に来る。回帰タスク（pips予測）にも分類タスクにも対応。
LSTM（Long Short-Term Memory）
RNN（再帰型ニューラルネットワーク）の拡張版で、時系列データの長距離依存をゲート機構で学習する。「文脈を保持しながら過去を忘れる」という設計は、価格のシーケンシャルなパターンを扱うのに理論的には適している。
現実はそれほど単純でない。
筆者がゴールドの4時間足データで組んだLSTMモデルでは、訓練期間のRMSE ≒ 12.68に対してテスト期間のRMSE ≒ 21.30という乖離が見られた（出典：ナンピンマーチン参照例）。過学習が起きているサインだ。LSTMは表現力が高い分だけ、データに内在するノイズまで記憶してしまいやすい。
個人が扱えるFXの歴史データは多くとも数年分・数十万行程度であり、ディープラーニングが真価を発揮するには少ない。加えてGPUの手配・ハイパーパラメータ探索コスト・学習時間が長くなる点も現実的な障壁だ。
難易度: 高 FXへの向き不向き: データ量が十分でない個人環境では過学習リスクが高い。研究用途か、データ量が確保できる特殊状況向け。
Transformer（Attention機構）
自然言語処理を変革したAttentionメカニズムを時系列に転用したアーキテクチャ。近年、Temporal Fusion Transformer（TFT）や PatchTST といった時系列特化の設計も登場している。
FXへの適用例は研究論文レベルでは増えているものの、個人が再現するには障壁が高い。モデルサイズが大きく、推論レイテンシとメモリ消費がLSTMより増す。また学習データの要件がさらに厳しく、個人が持つFX価格データのみでは事前学習の恩恵を受けにくい。
難易度: 非常に高（研究者・上級者向け） FXへの向き不向き: 個人のFX適用には現時点で時期尚早。大量データと計算資源が前提条件になる。
| モデル | 難易度 | 透明性 | FX適性 | 推奨用途 |
|---|---|---|---|---|
| RandomForest | 中 | 高 | 汎用 | 入門・ベースライン構築 |
| XGBoost | 中〜高 | 中 | 高 | 精度追求・ベンチマーク |
| LSTM | 高 | 低 | 条件付き | データ豊富な環境 |
| Transformer | 非常に高 | 低 | 限定的 | 研究・上級者 |
個人で作るための技術要件と難易度
最低限必要なスタックは三層に分けると整理しやすい。
データ取得層: MetaTrader 5（MT5）のPython APIかOANDA REST APIで過去レートを引っ張る。複数時間軸（分足・時間足など）を組み合わせる場合、タイムスタンプのアライメント処理（前後の足をそろえる作業）が思ったより面倒で時間を食う。
モデル層: scikit-learn、XGBoost、PyTorch、TensorFlowのどれかで実装する。scikit-learnのRandomForestなら分類モデルの骨格は10〜15行で書ける。XGBoostも同程度だ。
実行層: バックテスト（pandas/backtrader）→ウォークフォワード検証→フォワードテスト（デモ口座）→本番という四段階が最低限の検証フローになる。
技術的な難易度は正直「中〜高」だと評価している。Pythonの基礎文法だけでは足りなくて、時系列データの前処理・過学習の検知・ウォークフォワード分析の設計・コンセプトドリフト検出まで求められる。「思ったより深い」というのが、触りだした人の共通の感想ではないだろうか。
Claudeと会話しながらインジケータが作れるHedgrow FXはこちら。
特徴量エンジニアリング：テクニカル指標以外に使えるもの
モデルの精度はアルゴリズムより「何を入力するか」に依存する割合が高い。テクニカル指標（RSI・MACD・ATRなど）は広く使われているが、それだけだと他のシステムと差別化できない。以下に、実際に使える追加特徴量の分類を示す。
ボラティリティ指標
価格変動の大きさそのものを特徴量にする。代表的なものを挙げる。
- Historical Volatility（HV）: 過去 $N$ 本の対数収益率の標準偏差 $\sigma = \sqrt{\frac{1}{N}\sum_{i=1}^{N}(r_i - \bar{r})^2}$。時間足を変えて複数の $N$ を同時に入れると、短期・長期の乖離が特徴量になる。
- ATR（Average True Range）: 値幅の絶対値を平滑化したもの。相場が拡大期か収縮期かの文脈として有効。
- VIX代替: 個人がリアルタイムで入手しやすい代替として、オプション原資産のIV（インプライドボラティリティ）をブローカーAPIで取得する方法がある。USD/JPYならCME通貨オプションのIVデータがBloomberg等で提供されているが、個人ではコスト面の障壁が高い。
市場センチメント指標
価格以外の「市場参加者の態度」を数値化したもの。
- COT（Commitments of Traders）レポート: 米商品先物取引委員会（CFTC）が毎週火曜に公表する建玉報告。大口投機筋のネットポジションを特徴量化すると、中期トレンドの予測に使えるという研究がある（要検証だが、筆者の実験でもUSD/JPYの4時間足で一定の寄与が確認できた）。公開データなのでコスト不要。
- Fear & Greed指標（株式相場連動）: リスクオン・オフの代理変数として株式市場のセンチメント指標を追加する方法。USD/JPYはリスクオフ局面で円高になりやすい相関があるため、間接的な特徴量として機能するケースがある。
- ニュースセンチメント: NLPでニュース見出しのセンチメントを数値化する手法。個人実装の難易度は高いが、HuggingFaceの金融特化モデル（
ProsusAI/finbertなど）を使えば推論自体は数行で書ける。ただしニュースデータのリアルタイム取得にコストがかかる。
時間帯特徴量
FXには東京・ロンドン・ニューヨーク各セッションで値動きの特性が異なるという構造的な事実がある。時間帯を特徴量として明示的に与えると、モデルがセッションの違いを学習できる。
import pandas as pd
import numpy as np
def add_time_features(df: pd.DataFrame) -> pd.DataFrame:
"""DatetimeIndexを持つDataFrameに時間帯特徴量を追加する"""
df = df.copy()
hour = df.index.hour
# セッションフラグ（UTC基準）
df["session_tokyo"] = ((hour >= 0) & (hour < 9)).astype(int)
df["session_london"] = ((hour >= 7) & (hour < 16)).astype(int)
df["session_newyork"] = ((hour >= 13) & (hour < 22)).astype(int)
df["session_overlap"] = ((hour >= 13) & (hour < 16)).astype(int) # ロンドン/NY重複
# 曜日（月=0, 金=4）：月曜オープン・金曜クローズのギャップを意識
df["day_of_week"] = df.index.dayofweek
# 周期性をsin/cosで表現（機械学習モデルへの適合を高める）
df["hour_sin"] = np.sin(2 * np.pi * hour / 24)
df["hour_cos"] = np.cos(2 * np.pi * hour / 24)
return df
周期性特徴量をsin/cosで表現するのは、「23時と0時は近い」という情報をモデルに正しく伝えるための前処理テクニックだ。整数のままだと23と0が遠く見えてしまう。
Pythonで作るシンプルなFX機械学習モデルの手順
以下はscikit-learnのRandomForestClassifierを使った骨格コードだ。特徴量生成からモデル学習までの最小構成を示す。
import pandas as pd
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import TimeSeriesSplit
# 特徴量（RSI・MA乖離率・ATRなど）と目的変数（翌足が陽線=1, 陰線=0）を準備
X = df[["rsi", "ma_dev", "atr"]]
y = (df["close"].shift(-1) > df["close"]).astype(int)
# 時系列分割（未来情報の漏洩を防ぐため TimeSeriesSplit を使う）
tscv = TimeSeriesSplit(n_splits=5)
for train_idx, test_idx in tscv.split(X):
clf = RandomForestClassifier(n_estimators=100, random_state=42)
clf.fit(X.iloc[train_idx], y.iloc[train_idx])
print(clf.score(X.iloc[test_idx], y.iloc[test_idx]))
TimeSeriesSplitの使用は必須だ。通常のKFoldを使うと未来データが訓練セットに混入して精度が過大評価される、いわゆるデータリーク問題が起きる。テストスコアが訓練スコアより大幅に低い場合は過学習のサインと見ていい。
ウォークフォワード分析の実装
バックテストの最大の落とし穴は「テストデータを含む全期間でパラメータを最適化してしまう」ことだ。これを防ぐのがウォークフォワード分析（Walk-Forward Analysis）で、「訓練窓を時系列方向にずらしながら未来を予測する」繰り返しによって、実運用に近い検証が可能になる。
import pandas as pd
import numpy as np
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score
def walk_forward_analysis(
X: pd.DataFrame,
y: pd.Series,
train_size: int = 2000, # 訓練期間（足数）
test_size: int = 500, # テスト期間（足数）
) -> list[dict]:
"""
ウォークフォワード分析を実行し、各折のスコアを返す。
未来情報の混入を防ぐため、常に過去データのみで訓練する。
"""
results = []
n = len(X)
start = 0
while start + train_size + test_size <= n:
train_end = start + train_size
test_end = train_end + test_size
X_train, y_train = X.iloc[start:train_end], y.iloc[start:train_end]
X_test, y_test = X.iloc[train_end:test_end], y.iloc[train_end:test_end]
clf = RandomForestClassifier(n_estimators=100, random_state=42)
clf.fit(X_train, y_train)
preds = clf.predict(X_test)
results.append({
"train_start": X.index[start],
"train_end": X.index[train_end - 1],
"test_start": X.index[train_end],
"test_end": X.index[test_end - 1],
"accuracy": accuracy_score(y_test, preds),
})
start += test_size # 窓をtest_sizeぶんずらす（アンカー方式ではなくローリング方式）
return results
# 実行例
wf_results = walk_forward_analysis(X, y, train_size=2000, test_size=500)
df_wf = pd.DataFrame(wf_results)
print(df_wf[["test_start", "test_end", "accuracy"]])
print(f"\n平均精度: {df_wf['accuracy'].mean():.4f}")
print(f"精度の標準偏差: {df_wf['accuracy'].std():.4f}")
重要なのは「平均精度」だけでなく「精度の標準偏差」を見ることだ。標準偏差が大きければ、精度が相場の局面に強く依存しており安定性が低い。バックテスト上の平均精度が高くても、ある期間だけ異常に高く他は低い、という不均一なパターンは実運用での信頼性が低い。
コンセプトドリフト検出の方法
過学習を抑えられたとしても、相場のパターン自体が変化する。これがコンセプトドリフト（concept drift）だ。統計的には、学習データの分布 $P(X, y)$ が時間とともに変化するため、固定パラメータのモデルは必然的に劣化する。
Page-Hinkley（PH）検定
ドリフト検出の古典的な手法の一つが Page-Hinkley 検定だ。累積残差を監視して、閾値 $\lambda$ を超えた時点でドリフトと判定する。
$$ m_t = \sum_{i=1}^{t}(x_i - \bar{x}t - \delta) $$ $$ M_t = \max{1 \le i \le t} m_i $$ $$ \text{ドリフト検出}: M_t - m_t > \lambda $$
$\delta$ はドリフトを見逃さない感度パラメータ（通常は小さな正の値）、$\lambda$ はアラートの閾値だ。
class PageHinkley:
"""Page-Hinkley検定によるドリフト検出"""
def __init__(self, delta: float = 0.005, lambda_: float = 50.0):
self.delta = delta
self.lambda_ = lambda_
self.sum_ = 0.0
self.min_ = 0.0
self.n = 0
self.mean_ = 0.0
def update(self, x: float) -> bool:
"""新しい観測値 x を渡してドリフトが検出されれば True を返す"""
self.n += 1
self.mean_ += (x - self.mean_) / self.n
self.sum_ += x - self.mean_ - self.delta
self.min_ = min(self.min_, self.sum_)
return (self.sum_ - self.min_) > self.lambda_
def reset(self):
self.sum_ = self.min_ = self.mean_ = 0.0
self.n = 0
# 実運用イメージ：モデルの予測誤差をストリームとして監視する
ph = PageHinkley(delta=0.005, lambda_=50.0)
for error in prediction_errors: # 各時刻の予測誤差（例: |予測値 - 実績値|）
if ph.update(error):
print("ドリフト検出: モデルの再学習を推奨")
ph.reset()
# ここで再学習トリガーを発火させる
PH検定以外のドリフト検出手法として、ADWIN（Adaptive WINdowing）や統計的仮説検定（KS検定・カイ二乗検定）を特徴量分布の変化監視に使う方法もある。個人実装では PH 検定がシンプルで導入しやすく、出発点として適している。
重要なのは「ドリフトを検出した後に何をするか」だ。再学習のトリガーを自動化できるとシステムの堅牢性が上がる。ただし再学習頻度が高すぎると最新ノイズへの過適応が起きるため、再学習は最低でも数週〜1ヶ月分の新データが蓄積してから行うことを筆者は推奨している。
個人AI自動売買の限界と現実的な使い方
免責事項: 以下の内容はバックテスト・研究事例に基づく分析であり、将来の運用成果を示唆するものではありません。バックテスト結果は過去データへの適合を示すものであり、将来の利益を保証するものではありません。
個人が現実的に到達できるパフォーマンス水準
「AI×FXで年利何%を目指せるか」という質問を受けることがある。正直に言えば、バックテスト上で計測した数値と実運用の乖離が大きく、一般的な目安を出しにくい。それでも参考として言えることを整理しておく。
バックテスト上の指標として、個人のシステムトレードで「良い部類」とされる水準の目安は、年率リターン 20〜40%、シャープレシオ 0.8〜1.5、最大ドローダウン 15〜25% 程度だとされることが多い（要検証だが、アルゴリズムトレードのコミュニティで語られる一般的な範囲として参照している）。
ヘッジファンドとの差はなぜ生まれるのか。主な理由は四つある。
- データ品質: プロは tick データ・オーダーフロー・オルタナティブデータにアクセスできる。個人が使えるのは主に価格・出来高データだ。
- レイテンシ: 高頻度戦略では注文執行速度が alpha の源泉になるが、個人の VPS 経由では数十〜数百ミリ秒のレイテンシが避けられない。
- リサーチリソース: フルタイムのクオンツチームが常時モデルを更新・改善している。
- 取引コスト: スプレッドと手数料が個人の方が相対的に高い。
ただし、ヘッジファンドが狙えないニッチな市場（流動性が薄い時間帯・特定の通貨ペアのアノマリー）は個人でも探索可能だ。資金量が少ないこと自体が、大口が入れない小さな裂け目を活用できるという逆説的な優位性になる。
過学習という構造的問題
機械学習モデルをFXに使うときの最大の落とし穴は過学習（overfitting）だ。バックテスト期間のRMSEは低くても、アウトオブサンプル期間で大きく劣化するのは、過去データの局所的なノイズまで丸暗記してしまった状態が原因だ。テストスコアが訓練スコアより大幅に低い場合は、まず過学習を疑うべきだ。
コンセプトドリフトの問題
過学習を抑えられたとしても、相場のパターン自体が変化する。中央銀行の政策転換・地政学的イベント・市場参加者の構造変化によって、バックテストで高精度だったモデルが3〜6ヶ月後に精度を大幅に失うのは珍しくない。固定パラメータのモデルは必然的に劣化する。前述の PH 検定などでドリフトを監視し、再学習をルーティン化することが対策になる。
現実的な運用指針
完全自動売買にこだわるより、AIをシグナル補助ツールとして使うハイブリッドアプローチの方が個人には現実的だと感じる。OANDA Japanが2020年7月の国内口座データを分析したところ、口座資産を前月比で増やせたアカウントは約36%にとどまる。同データでは上位グループのリスクリワード比率が1.92、下位グループが0.64と、勝ちの源泉は精度より資金管理にあることを示唆している。AIモデルの出力をエントリー候補の絞り込みに使い、最終判断と損切りラインは人間が握る——そういう役割分担の方が、長続きしやすいと思う。
「作って満足して終わった」パターンと継続的改善の運用体制
個人がFX AIシステムを作るとき、最もよく見かける失敗パターンが「作って満足して終わる」だ。バックテストで良い結果が出た時点で興味が満たされ、フォワードテストや実運用に進まないか、進んでも最初のドローダウンで止める。
この構造的な理由は二つある。一つは「作ること」と「運用し続けること」に求められるスキルが異なること。もう一つは、モデルの劣化に対応し続けることへの精神的コストが想像より高いことだ。
継続的に改善するには、以下の運用体制を最初から設計に組み込む必要がある。
1. 定期的な精度モニタリング: 週次または月次で、直近Nトレードの実績（勝率・PF・最大ドローダウン）をバックテスト水準と比較する。乖離が一定閾値を超えたら再学習を検討するトリガーにする。
2. モデルのバージョン管理: Gitでコードを管理するのは最低ラインだ。加えてモデルのシリアライズ（joblib.dump(clf, "model_v2.pkl")）と、学習に使ったデータ期間・ハイパーパラメータを記録したメタデータファイルをセットで保存する。「2ヶ月前のモデルがなぜ良かったのか」を後から追えない状態は、改善ループを回せない。
3. フォワードテスト期間を必ず設ける: バックテスト完了後、最低1ヶ月はデモ口座での検証を挟む。ここで出た実績がバックテストと大幅に乖離している場合、原因を特定しないまま本番に移行しない。
4. 改善仮説の管理: 「この特徴量を追加したら精度が上がるかもしれない」という仮説をNotionやスプレッドシートで管理する。検証結果（精度が上がったか否か、なぜか）もセットで記録する。この習慣がないと、同じ試行を繰り返すだけで前進しない。
Hedgrow FXのようなAI補助ツールと自作AIの使い分け方針
「Hedgrow FXのようなAI補助ツール」と「自作AIシステム」は、対立するものではなく役割が異なる。
Hedgrow FXが得意なこと: インジケータのパラメータ調整・チャートパターンの言語化・エントリー条件のロジック整理を、Claudeとの対話を通じてインタラクティブに行える。コーディングスキルがなくても使えるのが強みで、アイデアを素早く検証したいフェーズに向いている。
自作AIシステムが得意なこと: 自分だけの特徴量（COTデータ・特定の時間帯パターン・独自計算指標）を組み込んだカスタムモデルを作れる。再学習の頻度やドリフト検出ロジックを完全にコントロールできるため、「誰も持っていないエッジ」を追求したいときの手段になる。
現実的な使い分けとしては、アイデア探索フェーズはHedgrow FXを使い、「これは再現性がありそうだ」と判断したパターンを自作Pythonシステムで定量的に検証するという流れが効率的だと思う。ツールの優劣ではなく、開発サイクルのどのフェーズにいるかで選ぶのが正しい判断軸だ。
Claudeと会話しながらインジケータが作れるHedgrow FXはこちら。
詳しくはChatGPTでEAが作れない理由やAIでFX自動売買を個人で作る全手順でも解説しているので、実践の前に確認しておくとよい。
よくある質問（FAQ）
Q: AI FXとは何ですか？ A: 機械学習モデルや生成AIを使って為替相場の値動きを予測し、エントリー・決済判断や自動売買に活用する手法の総称だ。自分でモデルを設計・学習させる自作型と、事業者が提供する既製のAI自動売買サービスを利用する型があり、本稿は前者の技術的な作り方を解説している。
Q: プログラミング初心者でもFX AIシステムは作れますか？ A: PythonのデータサイエンスライブラリとFX APIの知識が前提になるため、完全な初心者には難易度が高い。まずpandas・scikit-learnの基礎を身につけてから取り組むのが現実的なルートだ。
Q: 勝率が高いAIモデルを作れれば稼げますか？ A: 勝率だけでは判断できない。バックテスト上で勝率66%を達成したBotが、損切り20pips・利確10pipsという設定で15,697トレードを経て-105万円になった事例がある（出典：note.com/centurion_lab）。重要なのはプロフィットファクター（総利益÷総損失）であり、PF > 1.5 を一つの目安として設計段階から組み込む必要がある。
Q: バックテストで高精度だったのに実運用でうまくいかないのはなぜですか？ A: 主な原因は二つ——過学習とコンセプトドリフトだ。過去データに最適化されたパラメータは未知の相場に汎化しにくく、また相場のパターン自体が時間とともに変化する。定期的な再学習とウォークフォワード検証を組み込むことが対策になるが、それ自体が継続的なメンテナンスコストになる。
Q: どのアルゴリズムを選ぶべきですか？ A: 入門段階ではRandomForestが無難だ。特徴量重要度で「何が効いているか」を確認できる透明性があり、ハイパーパラメータへの感度も比較的低い。精度を追求するフェーズに入ったらXGBoostへのステップアップを検討する。LSTMなどのDeep Learningは表現力は高いが、データ量と計算リソースの要件が上がり、過学習リスクも高まるため入門段階には推奨しない。
Q: MT5とPythonの連携は難しいですか？
A: MetaTrader 5のPythonパッケージ（MetaTrader5）は公式で提供されており、pip install MetaTrader5 でインストール可能だ。ただしMT5のターミナルが起動中であることが前提条件になる。Windows環境前提の設計のため、Linux/Macで動かす場合はWine経由やDockerを使う迂回策が必要になる点は頭に入れておいた方がいい。AIを活用してインジケータ設計やコード生成を効率化したい場合は、Claudeと会話しながらインジケータが作れるHedgrow FXも選択肢になる。
Q: ウォークフォワード分析とバックテストはどう違うのですか？ A: バックテストは全期間のデータを使って一度だけ検証する。ウォークフォワード分析は訓練窓を時系列方向にずらしながら「過去で学習して未来を予測する」を繰り返すため、実運用に近い精度評価ができる。バックテストだけでは過学習を見逃しやすく、ウォークフォワード分析を経て初めて汎化性能の確認になる。
Q: コンセプトドリフトはどう対処すればよいですか？ A: 予測誤差をリアルタイムで監視するPage-Hinkley検定などのドリフト検出器を組み込み、アラートが出たら再学習するフローを設計する。加えて3〜6ヶ月ごとの定期的な再学習をルーティン化することが実用的な対策だ。ドリフト検出を自動化できれば、モデルの劣化を見落とすリスクを大幅に下げられる。
個人でFX AIシステムを構築することは技術的に可能だ。ただし、過学習・コンセプトドリフト・継続的なメンテナンスという壁は本物で、作って終わりにはならない。AIをシグナル補助ツールとして組み込むハイブリッドアプローチが、個人には現実的な出発点になるだろう。Claudeと会話しながらインジケータが作れるHedgrow FXはこちら。
