AIでFX自動売買は個人でも作れる？人工知能トレードシステム構築の全手順【2026年版】

Photo by Igor Omilaev on Unsplash

最終更新: 2026年07月

個人でAIを使ったFX自動売買システムを作れるのか——答えは「条件付きでYES」だ。Pythonと機械学習の基礎知識があり、データリーケージをはじめとする落とし穴を頭に入れたうえで取り組めば、動作する自動売買システムの構築は現実的な目標になる。ただし「動作する」と「収益が出る」の間には深い溝がある。本記事では金融工学の視点から、ゼロからAI-FX-EAを作るための全手順、よくある失敗とその数理的根拠、個人開発とプロが作ったEAのコスト・精度トレードオフを体験ベースで掘り下げる。

個人がAI自動売買を作るのは現実的か？

Photo by Christopher Gower on Unsplash

結論から言う。現実的だ。ただしスコープを正しく設定した場合に限る。

必要なスキルセット

最低限、3つの領域を押さえておく必要がある。

Pythonプログラミング。データ操作（pandas）、可視化（matplotlib）、機械学習ライブラリの利用が問題なくできるレベル。Pythonの初学者なら、まず3〜6ヶ月の学習期間を見込んでほしい。

機械学習の基礎。過学習・バリデーション・特徴量重要度の概念を理解していることが前提だ。scikit-learnのドキュメントを読んで実装できるレベルで十分。深層学習は必須ではない——後述のとおり、LSTMよりLightGBMの方が実務では扱いやすいケースが多い。

MT5（MetaTrader 5）の基礎操作。EAをブローカーの取引環境と接続するためにMT5の使い方を知っている必要がある。MT5はPython APIを提供しており、Pythonから直接価格データの取得・注文の発注が可能だ（MetaTrader5ライブラリ v5.0.5735、2026年4月4日更新、Python 3.6〜3.14対応 / PyPI公式）。

費用感

ツール費用の現実的な内訳はこうなる。

最小構成なら初期費用はほぼゼロで始められる。StrategyQuantは強力だが、個人の学習目的であれば必須ではない。

実現可能な精度の現実

正直に言って、勝率60%を安定して超えるモデルの構築は、プロのクオンツチームでも難しい。nanpin-martin.comが2023年に公開した個人検証では、LightGBMの導入によって勝率51.65%→57.86%、プロフィットファクター（PF）1.09→1.54という改善が報告されているが、これはサンプル数や期間に依存しており、将来の収益を保証するものではない。

肝心なのは「高精度なモデルを作る」ことではなく——「統計的に有意なエッジを持つシステムを作り、リスクを適切に管理する」こと。この区別を最初に誤ると、後で取り返しがつかない。

免責事項: 本記事で紹介するシステム構築手法はバックテスト上の結果に基づく教育目的の解説です。実際の取引における利益を保証するものではなく、元本割れのリスクがあります。

AI自動売買の主要アプローチ3選

1. 機械学習（scikit-learn・LightGBM・RandomForest）

最も実用性が高い選択肢だ。テクニカル指標を特徴量とし、「次の足が上か下か」を分類問題として解く。LightGBMはGBDT（勾配ブースティング決定木）ベースで、時系列データとの相性が良く、過学習に対してRandomForestよりも耐性がある。

筆者の検証では、LightGBMはハイパーパラメータのデフォルト値でもある程度動作するため、初めて機械学習をFXに適用するときの出発点として推奨できる。迷ったらまずここから始めろ、と言える。

2. 深層学習（LSTM・Transformer）

LSTM（Long Short-Term Memory）は時系列データの特性を捉えるために設計されたアーキテクチャだ。直感的には価格の「記憶」を保持できるため有利に思えるが、数理的にはFX価格系列のノイズ対信号比が非常に高く、LSTMの表現力が逆に過学習につながりやすい。

実装コストと期待リターンのバランスを考えると、機械学習初心者にLSTMは勧めない。一定のベースラインを作ってからの発展として位置づけるのが妥当だ。

3. LLM活用（Claude API・GPT-4で経済指標解釈）

2025年以降、実用性が急速に高まっているアプローチだ。Fatouros et al.（2025）の研究（arxiv:2502.00415）では、GPT-4oを活用したMarketSenseAI 2.0がS&P100において累積リターン125.9%を達成し、ベンチマーク指数の73.5%を超過したとされている。ただしこれは米国株式市場の特定期間における結果であり、24時間市場・高レバレッジ・スプレッドコストが存在するFX市場とは市場構造が根本的に異なる。FX市場での同等の成果を前提にすることは適切でなく、本結果はLLMが金融判断に活用できることの傍証として参照する位置づけである。

LLM活用の実用的なパイプラインはこうなる。

[経済指標テキスト] → [Claude API / GPT-4] → [センチメントスコア]
        ↓
[テクニカル特徴量（RSI・MACD・ATR等）] ← [MT5価格データ]
        ↓
[特徴量マージ] → [LightGBMモデル] → [売買シグナル]

経済指標の発表文（例：FOMCステートメント・日銀総裁発言）をLLMに投入してセンチメントをスコア化（-1.0〜+1.0）し、テクニカル特徴量と組み合わせてLightGBMに入力する手法だ。

実装ステップ：ゼロから作るAI-FX-EA

Photo by Luke Chesser on Unsplash

Step 1: データ収集（MT5 Python API）

import MetaTrader5 as mt5
import pandas as pd
from datetime import datetime

# MT5接続
if not mt5.initialize():
    raise RuntimeError(f"MT5 initialize failed: {mt5.last_error()}")

# USDJPY 1時間足を2年分取得
rates = mt5.copy_rates_from(
    "USDJPY",
    mt5.TIMEFRAME_H1,
    datetime(2024, 1, 1),
    17520  # 約2年 = 24h × 365 × 2
)

df = pd.DataFrame(rates)
df["time"] = pd.to_datetime(df["time"], unit="s")
df.set_index("time", inplace=True)

mt5.shutdown()
print(df.tail())

取得できるデータはOHLC（始値・高値・安値・終値）とティックボリュームだ。2年以上のデータを確保してほしい。サンプル数が少ないとモデルの評価が不安定になる。

Step 2: 特徴量エンジニアリング（テクニカル指標）

import ta  # pip install ta

def create_features(df: pd.DataFrame) -> pd.DataFrame:
    df = df.copy()

    # モメンタム系
    df["rsi_14"]  = ta.momentum.RSIIndicator(df["close"], window=14).rsi()
    df["rsi_28"]  = ta.momentum.RSIIndicator(df["close"], window=28).rsi()

    # トレンド系
    macd = ta.trend.MACD(df["close"])
    df["macd"]         = macd.macd()
    df["macd_signal"]  = macd.macd_signal()
    df["macd_diff"]    = macd.macd_diff()

    # ボラティリティ系
    df["atr_14"] = ta.volatility.AverageTrueRange(
        df["high"], df["low"], df["close"], window=14
    ).average_true_range()

    bb = ta.volatility.BollingerBands(df["close"], window=20)
    df["bb_upper"] = bb.bollinger_hband()
    df["bb_lower"] = bb.bollinger_lband()
    df["bb_width"] = (df["bb_upper"] - df["bb_lower"]) / df["close"]

    # ターゲット（次の足が上昇なら1、下落なら0）
    df["target"] = (df["close"].shift(-1) > df["close"]).astype(int)

    return df.dropna()

df_feat = create_features(df)

重要: shift(-1) によって次の足の値を参照しているが、これはモデルの学習に使う「正解ラベル」の生成のみに使用する。特徴量に未来データを混入させると、次のStep 3で解説するデータリーケージを引き起こす。

Step 3: モデル学習とバックテスト

from lightgbm import LGBMClassifier
from sklearn.model_selection import TimeSeriesSplit
from sklearn.metrics import accuracy_score
import numpy as np

FEATURE_COLS = [
    "rsi_14", "rsi_28", "macd", "macd_signal", "macd_diff",
    "atr_14", "bb_width"
]

X = df_feat[FEATURE_COLS].values
y = df_feat["target"].values

# 時系列分割（ランダム分割は厳禁）
tscv = TimeSeriesSplit(n_splits=5)

scores = []
for train_idx, val_idx in tscv.split(X):
    X_train, X_val = X[train_idx], X[val_idx]
    y_train, y_val = y[train_idx], y[val_idx]

    model = LGBMClassifier(
        n_estimators=200,
        learning_rate=0.05,
        num_leaves=31,
        random_state=42
    )
    model.fit(X_train, y_train)
    pred = model.predict(X_val)
    scores.append(accuracy_score(y_val, pred))

print(f"CV Accuracy: {np.mean(scores):.4f} ± {np.std(scores):.4f}")

TimeSeriesSplit を使う理由は後のセクションで詳述する。ランダムシャッフルによる train_test_split はFX時系列データでは使用禁止だ。

Step 4: MT5 EAへの統合

Pythonモデルをピクルス保存し、MQL5スクリプトから呼び出すか、Pythonスクリプト自体をEAとして動作させるか——2つの方式がある。後者のほうが実装がシンプルだ。

import MetaTrader5 as mt5
import pickle
import time

with open("model.pkl", "rb") as f:
    model = pickle.load(f)

mt5.initialize()

while True:
    # 直近バーのデータ取得
    rates = mt5.copy_rates_from_pos("USDJPY", mt5.TIMEFRAME_H1, 1, 50)
    df_live = pd.DataFrame(rates)
    df_live = create_features(df_live)

    if len(df_live) == 0:
        time.sleep(60)
        continue

    latest = df_live[FEATURE_COLS].iloc[-1].values.reshape(1, -1)
    pred_proba = model.predict_proba(latest)[0][1]  # 上昇確率

    # 確率が0.6以上なら買い、0.4以下なら売り
    if pred_proba > 0.60:
        mt5.order_send({
            "action": mt5.TRADE_ACTION_DEAL,
            "symbol": "USDJPY",
            "volume": 0.01,
            "type": mt5.ORDER_TYPE_BUY,
            "price": mt5.symbol_info_tick("USDJPY").ask,
            "deviation": 10,
            "magic": 234000,
            "comment": "AI-EA",
            "type_time": mt5.ORDER_TIME_GTC,
        })

    time.sleep(3600)  # 1時間待機

mt5.shutdown()

Step 5: フォワードテストと運用

バックテストで良好な結果が出ても、即座に実弾運用に移行してはならない。最低2〜3ヶ月のデモ口座でのフォワードテスト期間を設けること——これは妥協できない。バックテスト上の勝率とフォワードテスト上の勝率が5ポイント以上かい離する場合は、後述のデータリーケージや過学習が原因である可能性が高い。

個人AI自動売買のよくある失敗と対策

Photo by Sasun Bughdaryan on Unsplash

失敗1：過学習（カーブフィッティング）

最も頻繁に遭遇する問題だ。モデルが学習データに特化してしまい、未知データで機能しなくなる現象を指す。バックテストで勝率70%を超えているのに、フォワードテストで50%を割る——このパターンは過学習のサインだ。

対策:

• ウォークフォワード最適化（Walk-Forward Optimization）を使い、学習期間と評価期間を時系列にスライドさせながら検証する
• TimeSeriesSplit のCV結果の標準偏差が大きい場合（>5%）は特徴量を削減する
• 特徴量数を20以上にしない（FXのデータ量に対してモデルが複雑すぎる）

失敗2：データリーケージ（最重要差別化ポイント）

これがAI-FXシステム開発において最も致命的な失敗だ。

データリーケージとは、モデルの学習時に「本来知り得ないはずの未来情報」が特徴量に含まれてしまう現象を指す。FXの文脈では以下のケースが頻出する。

ケース1：ターゲットラベルの漏洩

# NG: close価格でターゲットを作り、同じclose価格を特徴量に使う
df["target"] = (df["close"].shift(-1) > df["close"]).astype(int)
df["close_normalized"] = df["close"] / df["close"].rolling(20).mean()
# close自体が含まれているとターゲット生成に使った値が特徴量に入る

ケース2：スケーリングのリーク

# NG: テストデータを含めてスケーリングする（絶対禁止）
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)  # ← テストの統計量が訓練に混入

# OK: 訓練データのみでfit、テストにtransformのみ
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled  = scaler.transform(X_test)  # fit_transformではない

ケース3：ランダムシャッフルによる時系列破壊

# NG: 時系列データをシャッフルして分割する
from sklearn.model_selection import train_test_split
X_train, X_test = train_test_split(X, test_size=0.2, shuffle=True)  # 厳禁

# OK: 時系列順序を保持した分割
split_idx = int(len(X) * 0.8)
X_train, X_test = X[:split_idx], X[split_idx:]

ケース3が最も多い。Pythonの機械学習チュートリアルの大半はランダム分割を前提としているため、FXに転用する際に無意識にシャッフル分割を使ってしまうケースが多い。

筆者が実際に両パターンを比較検証したところ、シャッフル分割では見かけの精度が時系列分割より7〜12ポイント程度高く出る傾向があった。この差分がバックテスト上の「幻の好成績」の正体だ。

ケース4：将来を参照する指標

# NG: 計算に未来のデータを含む指標（look-ahead bias）
df["high_20"] = df["high"].rolling(20).max()  
# rollingはデフォルトで「過去20本」なのでOKだが、
# 以下は未来を参照するため使用禁止:
df["future_close"] = df["close"].shift(-1)  # 特徴量として使用禁止

データリーケージを含むバックテストは「現実には実現不可能な戦略」を評価しているに等しい。高精度に見えるほど危険——本番投入すると損失だけが積み上がる結果になる。

失敗3：本番での精度劣化（コンセプトドリフト）

モデルが学習した価格パターン（「レジーム」と呼ぶ）が変化することを「コンセプトドリフト」という。低ボラティリティ相場で学習したモデルが高ボラティリティ相場で機能しなくなる典型例だ。

対策:

• モデルの予測精度を週次でモニタリングし、精度が閾値（例：CV精度 - 3%）を下回ったら自動的に再学習するパイプラインを組む
• 単一モデルではなく複数の期間・通貨ペアで学習したアンサンブルモデルを使う

無料・低コストで使えるAIツール・ライブラリ

無料ツール

scikit-learn: 機械学習の出発点。RandomForest・SVM・LogisticRegressionなど主要アルゴリズムを網羅している。

LightGBM: Microsoft製のGBDTライブラリ。FXの特徴量（数十〜数百）規模では最もコスパが高い。

MetaTrader5 Pythonライブラリ: MT5と直接接続できる公式ライブラリ（v5.0.5735 / PyPI公式）。価格データの取得から注文発注まで対応している。

yfinance: Yahoo Financeから外為データを取得するライブラリ。MT5が使えない環境での代替として有用だが、精度・品質はMT5の方が上だ。

有料ツール（投資価値があるもの）

StrategyQuant X: バックテスト自動化・ウォークフォワード最適化・モンテカルロシミュレーションを統合したプラットフォーム。Starter $1,290・Professional $1,580・Ultimate $2,900（買い切りライセンス、strategyquant.com 2026年6月）。月額課金ではなく一括払い制であり、本格的な開発を目指すなら検討に値する選択肢だ。

Claude API / GPT-4: 経済指標テキストのセンチメント分析、MQL5コードの生成補助に活用できる。小規模な利用なら月$5〜$20程度で収まる。

Hedgrow FXが提供するAI自動売買との比較

個人開発とプロが設計したEAの差を率直に並べてみる。

個人開発の最大のメリットは「戦略の完全なコントロール」と「ブラックボックスがない透明性」だ。Hedgrow FXのEAは設計ロジックが公開されているとはいえ、個人が一から実装するほどの自由度はない。

逆に個人開発の最大のデメリットは「開発・検証コスト」だ。3ヶ月かけてバックテストで機能するモデルを作っても、データリーケージが含まれていれば全て無駄になる。

どちらが優れているかという問いは本質的ではない——「自分が何を学びたいか、何にコストをかけられるか」で選べばいい。

免責事項: Hedgrow FXのEAを含む全ての自動売買システムは、過去のバックテスト結果が将来の利益を保証するものではありません。FX取引はレバレッジを伴う高リスク投資であり、元本割れのリスクがあります。取引を開始する前に金融知識と資金管理能力を十分に確認してください。

EAの外部配布に関する法的注意点

個人利用のEAは規制外だが、以下の場合は金融庁への登録が必要になる可能性がある。

• 第三者への販売: EAそのものを売買する場合（著作物の販売なので原則自由だが、「必ず利益が出る」等の誇大広告は景品表示法違反になり得る）
• 継続課金サービスとしてのEA提供: 投資顧問業または投資一任業の登録が必要になる可能性がある
• EA運用による資金受託: 投資運用業の登録が必要

自分のロジックを他者に使わせる場合は、必ず金融庁または弁護士に確認してほしい。

個人で作るFX AIシステムの入門手順や生成AI搭載EAのリアルタイム売買判断の仕組みも合わせて読むと、この記事の内容がより実践的につながる。

よくある質問（FAQ）

Q: プログラミングなしでAI自動売買は作れますか？ A: StrategyQuantのようなノーコードプラットフォームを使えばPythonの知識なしにGBDTベースの戦略を構築できますが、データリーケージのリスクを理解せずに使うと過剰最適化された戦略を本番投入するリスクがあります。少なくともデータ検証の基礎知識は習得することを推奨します。

Q: 機械学習の知識がない初心者でも作れますか？ A: scikit-learnのRandomForestであれば10行程度のコードで実装できますが、「動く」と「稼げる」は別問題です。特にデータリーケージと時系列分割の概念を理解しないままバックテストを実行すると、現実には機能しない戦略を過信するリスクがあります。まずAndrewの機械学習コース（Coursera）等で基礎を学んでから実装することを強くお勧めします。

Q: 個人のAI-EAで月利何%が現実的ですか？ A: バックテストではなくフォワードテストで安定して月利1〜3%（年利12〜40%相当）を達成できれば、機関投資家レベルと比較しても優秀な部類に入ります。月利10%以上を謳うバックテスト結果は過学習またはデータリーケージを含む可能性が高く、本番では損失が発生するケースが大多数です。現実的な目標として月利1〜2%（PF1.3以上、ドローダウン20%以下）を設定し、長期間の安定稼働を目指すことを推奨します。

Q: LSTMとLightGBMはどちらがFXに向いていますか？ A: 一般的な個人の実装レベルでは、LightGBMの方が結果が出やすいというのが筆者の見解です。LSTMは超パラメータの調整が難しく、FXのノイズが多い価格系列では過学習しやすい傾向があります。LightGBMで安定したベースラインを作ってから、深層学習への移行を検討するのが合理的な進め方です。

Q: 完成したEAを友人に使わせることは法律上問題ありますか？ A: EAそのものの無償提供は原則として問題ありませんが、「このEAで必ず利益が出る」等の表現を伴う場合は投資助言に該当する可能性があります。金銭を受け取る形で提供する場合は投資顧問業の登録が必要になるケースがあります。必ず事前に法的確認を行ってください。

記事免責文言: 本記事は教育・情報提供を目的としており、特定の金融商品・取引戦略への投資を推奨するものではありません。FX取引は為替変動リスク・レバレッジリスクを伴い、投資元本を上回る損失が生じる可能性があります。本記事で紹介するコードや手法はバックテスト環境での動作確認を目的としており、実際の取引における収益を保証するものではありません。取引の最終判断は自己責任で行ってください。金融商品取引法に基づく適切な手続きを経たうえで取引を開始することを強くお勧めします。