GPT-5のFX自動売買シグナル精度｜検証結果と現実的な使い方

# センチメント分類精度の評価例
from sklearn.metrics import classification_report, accuracy_score
import anthropic
import json

client = anthropic.Anthropic()

def evaluate_sentiment_model(
    test_headlines: list[str],
    ground_truth_labels: list[str],  # "BULLISH" / "BEARISH" / "NEUTRAL"
    currency_pair: str = "USDJPY"
) -> dict:
    """
    センチメント分類精度を評価する
    ground_truth_labels: 実際の市場反応に基づくラベル
    """
    
    predictions = []
    
    for headline in test_headlines:
        response = client.messages.create(
            model="gpt-4o",  # または claude-sonnet-4-5
            max_tokens=100,
            messages=[{
                "role": "user",
                "content": f"""
以下のニュースヘッドラインを分析し、{currency_pair}への短期影響を分類してください。
ヘッドライン: {headline}
JSON形式のみで回答: {{"label": "BULLISH/BEARISH/NEUTRAL"}}
"""
            }]
        )
        
        try:
            data = json.loads(response.content[0].text)
            predictions.append(data["label"])
        except:
            predictions.append("NEUTRAL")
    
    # 精度評価
    accuracy = accuracy_score(ground_truth_labels, predictions)
    report = classification_report(ground_truth_labels, predictions,
                                   target_names=["BEARISH", "BULLISH", "NEUTRAL"])
    
    return {
        "accuracy": accuracy,
        "classification_report": report,
        "sample_count": len(test_headlines)
    }

def backtest_llm_signals(
    signal_data: list[dict],  # [{"timestamp": ..., "direction": "LONG/SHORT", ...}]
    price_data: pd.DataFrame,
    forward_period_hours: int = 1
) -> dict:
    """
    LLMシグナルの方向予測精度をバックテストで評価
    """
    
    correct_predictions = 0
    total_predictions = 0
    wins_pips = []
    losses_pips = []
    
    for signal in signal_data:
        ts = signal["timestamp"]
        direction = signal["direction"]
        
        if direction == "NEUTRAL":
            continue
        
        # 指定時間後の価格変化
        future_ts = ts + pd.Timedelta(hours=forward_period_hours)
        
        try:
            entry_price = price_data.loc[ts, "Close"]
            future_price = price_data.loc[future_ts, "Close"]
        except KeyError:
            continue
        
        price_change = future_price - entry_price
        
        # 方向の一致確認
        correct = (
            (direction == "LONG" and price_change > 0) or
            (direction == "SHORT" and price_change < 0)
        )
        
        if correct:
            correct_predictions += 1
            wins_pips.append(abs(price_change) * 100)  # 概算pips
        else:
            losses_pips.append(abs(price_change) * 100)
        
        total_predictions += 1
    
    win_rate = correct_predictions / total_predictions if total_predictions > 0 else 0
    avg_win = sum(wins_pips) / len(wins_pips) if wins_pips else 0
    avg_loss = sum(losses_pips) / len(losses_pips) if losses_pips else 0
    
    return {
        "win_rate": win_rate,
        "total_signals": total_predictions,
        "avg_win_pips": avg_win,
        "avg_loss_pips": avg_loss,
        "payoff_ratio": avg_win / avg_loss if avg_loss > 0 else 0,
        "note": "スプレッド・スリッページを未考慮。実運用では更に下がる"
    }

def analyze_central_bank_statement(statement_text: str, bank_name: str) -> dict:
    """
    中央銀行声明文の詳細分析（GPT-5の長文理解能力を活用）
    """
    
    prompt = f"""
{bank_name}の政策声明文を分析してください。

【声明文】
{statement_text}

以下のJSON形式で詳細分析を出力:
{{
  "policy_bias": "hawkish/neutral/dovish",
  "bias_strength": 1から5の整数,
  "key_phrase_changes": ["前回からの表現変化を箇条書き"],
  "forward_guidance_clarity": "clear/ambiguous/silent",
  "rate_path_signal": "hike/hold/cut/unclear",
  "currency_impact_usdjpy": {{
    "direction": "USD_STRONG/USD_WEAK/NEUTRAL",
    "magnitude": "large/moderate/small",
    "rationale": "根拠を100字以内"
  }},
  "confidence": 0.0から1.0,
  "disclaimer": "この分析は将来の市場動向を保証しません"
}}
"""
    
    response = client.messages.create(
        model="claude-sonnet-4-5",  # または OpenAI GPT-5
        max_tokens=600,
        messages=[{"role": "user", "content": prompt}]
    )
    
    return json.loads(response.content[0].text)

def generate_daily_briefing(
    yesterday_news: list[str],
    today_calendar: list[dict],
    positions: list[dict]
) -> str:
    """本日のトレードブリーフィングを生成"""
    
    calendar_text = "\n".join([
        f"- {e['time']} {e['name']} (予想: {e['forecast']})"
        for e in today_calendar
    ])
    
    news_text = "\n".join([f"- {n}" for n in yesterday_news[:10]])
    
    positions_text = "\n".join([
        f"- {p['symbol']} {p['direction']} {p['size']}lot @ {p['entry']}"
        for p in positions
    ])
    
    prompt = f"""
FXトレーダーとして本日のブリーフィングを作成してください。

【昨日の主要ニュース】
{news_text}

【本日の経済カレンダー（主要イベント）】
{calendar_text}

【保有ポジション】
{positions_text if positions else "なし"}

以下の構成でブリーフィングを作成してください:
1. 本日の市場センチメント概況（3行以内）
2. USD/JPYの注目ポイント（3点以内）
3. 保有ポジションへのリスク要因（あれば）
4. 本日の主要指標発表タイムライン

※投資助言ではなく、情報整理の補助として活用してください。
"""
    
    response = client.messages.create(
        model="claude-sonnet-4-5",
        max_tokens=800,
        messages=[{"role": "user", "content": prompt}]
    )
    
    return response.content[0].text

def instant_indicator_analysis(
    indicator: str,
    actual: float,
    forecast: float,
    previous: float,
    currency_pair: str
) -> dict:
    """指標発表後の即時分析（30秒以内の利用想定）"""
    
    response = client.messages.create(
        model="claude-haiku-4-5",  # Haiku: 最速レスポンス
        max_tokens=200,
        messages=[{
            "role": "user",
            "content": f"""
指標: {indicator}
発表値: {actual} / 予想: {forecast} / 前回: {previous}
{currency_pair}への短期影響をJSONで:
{{"direction": "BULLISH/BEARISH/NEUTRAL", "strength": 1-5, "fade_risk": true/false, "note": "30字以内"}}
"""
        }]
    )
    
    return json.loads(response.content[0].text)