記事「取引におけるニューラルネットワーク：クロスドメイン時系列予測フレームワーク（最終回）」についてのディスカッション 新しいコメント MetaQuotes 2026.10.21 13:09 新しい記事「取引におけるニューラルネットワーク：クロスドメイン時系列予測フレームワーク（最終回）」はパブリッシュされました: 時系列予測モデルTimeFoundの実践的な実装に焦点を当てます。 MQL5を用いて、このフレームワークの主要な手法を実装する際の重要な段階について解説します。 最初の段階では、1分足のEURUSDペアの過去5年分のデータを使用してEncoderを学習させました。 このデータ量と詳細度により、現在の市場状態を深く捉えた、情報量の豊富な潜在表現を生成できます。 Encoderは、重要なパターンを識別し、規則性を見いだし、市場状況をコンパクトでありながら情報量の豊富なベクトルとして符号化することを学習します。このベクトルは、その後、他のすべてのモジュールで使用されます。 続く第2段階では、アーキテクチャの主要な動作コンポーネントであるActor、Director、Criticのオフライン学習を実施します。 このために、Encoderの学習時に使用したすべてのパラメータを変更せずに維持したまま、2024年の市場データを用いてデータセットを作成しました。 学習プロセスでは、「ほぼ完全な軌跡」という考え方を採用しました。つまり、エージェントの行動を任意に選択するのではなく、その後の値動きを分析したうえで決定しました。 言い換えれば、価格の推移全体を利用できるため、どのような行動が最良の結果につながったかを事前に把握し、その行動を学習に使用したのです。 このアプローチにより、エージェントを地図も持たずに環境内をさまよわせ、試行錯誤を通じて有効な戦略を探させるのではなく、取引の方法そのものをモデルに学習させることができます。 その結果、エージェントは、過去に検証された事例、すなわち結果の面で理想に近い、明確で根拠のある事例から学習します。 これにより、学習プロセスが簡素化されるだけでなく、目的が明確になり、経済的な合理性も高まります。 最終段階は、ストラテジーテスター上で直接実施するオンラインのファインチューニングです。 ここでは、実際の取引にできるだけ近い条件でモデルに過去の市場データを与え、市場の動的な変化に合わせてパラメータを適応させます。 これは特に重要な段階です。学習データセットには現れない市場環境の変化や市場ノイズ、ランダムな変動を考慮しながら、エージェントの行動を改善できるためです。 一連の学習プロセスがすべて完了した後、2025年1月の新しい価格データを使用してモデルをテストしました。 評価の客観性と公平性を確保するため、学習時に使用したパラメータと設定は一切変更せず、そのまま維持しました。 テストの結果を以下に示します。 作者: Dmitriy Gizlyk 新しいコメント 取引の機会を逃しています。 無料取引アプリ 8千を超えるシグナルをコピー 金融ニュースで金融マーケットを探索 新規登録 ログイン スペースを含まないラテン文字 このメールにパスワードが送信されます エラーが発生しました Googleでログイン WebサイトポリシーおよびMQL5.COM利用規約に同意します。 新規登録 MQL5.com WebサイトへのログインにCookieの使用を許可します。 ログインするには、ブラウザで必要な設定を有効にしてください。 ログイン/パスワードをお忘れですか？ Googleでログイン
新しい記事「取引におけるニューラルネットワーク：クロスドメイン時系列予測フレームワーク（最終回）」はパブリッシュされました:
最初の段階では、1分足のEURUSDペアの過去5年分のデータを使用してEncoderを学習させました。 このデータ量と詳細度により、現在の市場状態を深く捉えた、情報量の豊富な潜在表現を生成できます。 Encoderは、重要なパターンを識別し、規則性を見いだし、市場状況をコンパクトでありながら情報量の豊富なベクトルとして符号化することを学習します。このベクトルは、その後、他のすべてのモジュールで使用されます。
続く第2段階では、アーキテクチャの主要な動作コンポーネントであるActor、Director、Criticのオフライン学習を実施します。 このために、Encoderの学習時に使用したすべてのパラメータを変更せずに維持したまま、2024年の市場データを用いてデータセットを作成しました。 学習プロセスでは、「ほぼ完全な軌跡」という考え方を採用しました。つまり、エージェントの行動を任意に選択するのではなく、その後の値動きを分析したうえで決定しました。 言い換えれば、価格の推移全体を利用できるため、どのような行動が最良の結果につながったかを事前に把握し、その行動を学習に使用したのです。 このアプローチにより、エージェントを地図も持たずに環境内をさまよわせ、試行錯誤を通じて有効な戦略を探させるのではなく、取引の方法そのものをモデルに学習させることができます。 その結果、エージェントは、過去に検証された事例、すなわち結果の面で理想に近い、明確で根拠のある事例から学習します。 これにより、学習プロセスが簡素化されるだけでなく、目的が明確になり、経済的な合理性も高まります。
最終段階は、ストラテジーテスター上で直接実施するオンラインのファインチューニングです。 ここでは、実際の取引にできるだけ近い条件でモデルに過去の市場データを与え、市場の動的な変化に合わせてパラメータを適応させます。 これは特に重要な段階です。学習データセットには現れない市場環境の変化や市場ノイズ、ランダムな変動を考慮しながら、エージェントの行動を改善できるためです。
一連の学習プロセスがすべて完了した後、2025年1月の新しい価格データを使用してモデルをテストしました。 評価の客観性と公平性を確保するため、学習時に使用したパラメータと設定は一切変更せず、そのまま維持しました。 テストの結果を以下に示します。
作者: Dmitriy Gizlyk