HybridMicrostructure EA - MetaTrader 5のためのエキスパート

このEAは、OpenAIスタイルのJSONペイロード（`messages`、`role: system`、および`role: user`を含む）を伴うHTTP POSTリクエストを送信するように設計されており、`decision`、`confidence`、および`reason`を含むJSONレスポンスを期待しています。

これらのMT5リクエストにミリ秒単位で応答できるローカルAI API（ローカルサーバー）を構築するには、FastAPIフレームワークを使用したPythonが最適なプログラミング言語です。FastAPIは軽量で極めて高速であり、MT5からの高頻度データを処理するのに最適です。

以下に、Pythonサーバーの完全なコードを示します。後で、このエンジンに実際の機械学習モデル（TensorFlow、Scikit-Learn、あるいはローカルLLM用のOllamaなど）を統合することも可能です。

1. Python環境のセットアップ

お使いのコンピュータにPythonがインストールされていることを確認してください。ターミナルまたはコマンドプロンプトを開き、以下の2つの必須ライブラリをインストールします：

pip install fastapi uvicorn

2. Python API コード (local_ai_bridge.py)

コンピュータ上に local_ai_bridge.py という名前のファイルを作成し、以下のコードをコピーしてください：（Python）

from fastapi import FastAPI, Request
from pydantic import BaseModel
from typing import List, Optional
import json
import uvicorn

app = FastAPI(title="MT5 AI Microstructure Bridge")

# --- データモデル（MQL5データ形式に対応） ---
class Message(BaseModel):
    role: str
    content: str

class AIRequest(BaseModel):
    model: str
    temperature: float
    response_format: Optional[dict] = None
    messages: List[Message]

# --- メインエンドポイント (/analyze) ---
@app.post("/analyze")
async def analyze_market(payload: AIRequest):
    """
    This endpoint receives tick and microstructure data from MT5,
    analyzes the data, and returns a BUY/SELL/WAIT decision.
    """
    
    # 1. MT5から送信された「user」メッセージからJSONデータを抽出する
    user_content = "{}"
    for msg in payload.messages:
        if msg.role == "user":
            user_content = msg.content
            break
            
    try:
        facts = json.loads(user_content)
    except json.JSONDecodeError:
        return {"decision": "WAIT", "confidence": 0.0, "reason": "Invalid JSON format"}

    # 2. 市場の事実を抽出する
    order_type = facts.get("order_type", "WAIT")
    high_velocity = facts.get("high_velocity", False)
    snapback_pips = facts.get("snapback_pips", 0.0)
    min_snapback = facts.get("min_snapback_pips", 2.0)
    deviation_z = facts.get("deviation_z", 0.0)
    
    mtf = facts.get("mtf", {})
    m1_structure = facts.get("m1_structure", {})

    # 3. AI／意思決定アルゴリズム（後で機械学習モデルに置き換えることも可能）
    # これは決定ロジックの簡単な例です
    
    confidence = 0.0
    decision = "WAIT"
    reason = ""

    # EAが「売り」の確認を要求した際のロジックを評価する
    if order_type == "SELL":
        score = 0
        
        # スナップバックと速度の検証
        if snapback_pips >= min_snapback and high_velocity:
            score += 0.4

        # 極端な乖離（買われすぎの状態）の検証
        if deviation_z > 2.0:
            score += 0.3

        # MTFのアラインメントを検証する（少なくともH1またはM15が下降トレンドである必要がある）
        if mtf.get("h1_down") or mtf.get("m15_down"):
            score += 0.2

        # M1の売りシグナル（上ヒゲが長い）の検証
        if m1_structure.get("upper_wick_ratio", 0.0) >= 0.2:
            score += 0.1

        confidence = score
        if confidence >= 0.70:
            decision = "SELL"
            reason = "High velocity drop, MTF align, Z-Score high"
        else:
            reason = f"Score only {confidence:.2 f}, lacking momentum"

    # EAが買いの確認を要求した際のロジックを評価する
    elif order_type == "BUY":
        score = 0
        
        # スナップバックと速度の検証
        if snapback_pips >= min_snapback and high_velocity:
            score += 0.4

        # 極端な偏差の検証（deviation_z は MQL5 ですでに方向補正済み）
        if deviation_z > 2.0:
            score += 0.3

        # MTFのアラインメントを検証する（少なくともH1またはM15のいずれかが上昇トレンドでなければならない）
        if mtf.get("h1_up") or mtf.get("m15_up"):
            score += 0.2

        # M1の売りシグナルの妥当性を確認（下ヒゲが長い）
        if m1_structure.get("lower_wick_ratio", 0.0) >= 0.2:
            score += 0.1

        confidence = score
        if confidence >= 0.70:
            decision = "BUY"
            reason = "High velocity bounce, MTF align, Z-Score high"
        else:
            reason = f"Score only {confidence:.2 f}, lacking momentum"

    # 4. JSONレスポンスをMT5に返す
    return {
        "decision": decision,
        "confidence": round(confidence, 2),
        "reason": reason[:60]  # MT5では、理由の文字数を最大60文字に制限する
    }

if __name__ == "__main__":
    # MQL5のInpAIEndpointパラメータに合わせて、ポート8787でローカルサーバーを起動します
    print("AI Bridge Server is running on http://127.0.0.1:8787")
    uvicorn.run(app, host="127.0.0.1", port=8787)

3. サーバーの実行とMT5への接続方法

1. ターミナルを開き、Python ファイルが保存されているフォルダに移動します。
2. 次のコマンドを実行します：
3. サーバーが起動し、[http://127.0.0.1:8787](http://127.0.0.1:8787) で接続を待機します。
4. MetaTrader 5プラットフォームで、許可されたWebRequest URLのリストにURL [http://127.0.0.1](http://127.0.0.1)が追加されていることを確認してください：
1. [ツール] → [オプション] → [エキスパート・アドバイザー] へ移動します。
2. 「リストされたURLに対するWebRequestを許可する」にチェックを入れます。
3. URL [http://127.0.0.1](http://127.0.0.1) をリストに追加します。
5. EAを実行してください。これにより、EAがリアルタイムのデータをPython APIに送信するようになります。Pythonは、Python関数内のパラメータに基づいてそのデータを分析し、BUY/SELL/WAITコマンドをMT5に返信します。

python local_ai_bridge.py

ストラテジーテスターの可視化：