記事「MQL5とデータ処理パッケージの統合（第8回）：グラフニューラルネットワークによる流動性ゾーンの検出」についてのディスカッション

[MetaQuotes]

新しい記事「MQL5とデータ処理パッケージの統合（第8回）：グラフニューラルネットワークによる流動性ゾーンの検出」はパブリッシュされました:

市場構造をMQL5上でグラフとして表現し、スイングハイとスイングローを特徴量を持つノードとして扱い、それらをエッジで接続する方法を紹介します。また、潜在的な流動性ゾーンをスコアリングするためのGNN（Graph Neural Network：グラフニューラルネットワーク）の学習、モデルのONNX形式へのエクスポート、さらにエキスパートアドバイザー(EA)内でリアルタイム推論を実行する方法についても解説します。読者は、データパイプラインの構築、モデルの統合、チャート上への流動性ゾーンの可視化、そしてそのシグナルをルールベースの売買執行へ活用する方法を学びます。

モデルとEAは、データ準備、機械学習による推論、および売買執行の役割を分担することで連携します。EAはMetaTrader 5内でリアルタイムで市場と接するインターフェースとして動作し、高値・安値・終値・ティックボリュームなどの価格データを継続的に収集します。このデータから、EAはスイングハイとスイングローを検出し、それらを市場構造として表現します。各スイングポイントはノードとなり、それらの構造的な関係はエッジとして構成されます。各ノードには、価格水準、スイング種別、近傍スイングとの相対距離といった特徴量が付与されます。準備されたノード特徴量とエッジ接続は、学習済みのGNNモデルへ入力され、モデルはグラフを処理した後、各構造水準周辺に流動性が存在する確率またはその強さを示す予測結果を返します。

モデルによる推論が完了すると、EAは返された予測結果を解釈し、売買可能なシグナルを判断します。たとえば、現在の市場構造より上方に流動性が存在する確率が高いとモデルが判断した場合、システムは上昇方向への値動きを想定し、買いポジションの準備をする場合があります。一方、市場構造より下方に流動性が存在すると予測された場合は、売り機会の可能性を示すシグナルとして扱われます。その後、EAはスプレッド条件の確認、市場構造との整合性の検証、ポジションサイズなどの取引パラメータの計算といった基本的な取引管理ルールを適用したうえで、注文を実行します。このワークフローにより、機械学習モデルは複雑な流動性パターンの認識に専念し、EAは売買に関する実務的な処理を担当するため、グラフベースの流動性予測を取引プラットフォーム上で自動的な売買執行へと変換できます。

作者: Hlomohang John Borotho

[Stanislav Korotky]

「百聞は一見に如かず」と言います。グラフに関する記事なら、そのグラフの図を1つでも掲載してみてはいかがでしょうか。