記事「取引におけるニューラルネットワーク：Temporal Queryモデル（最終回）」についてのディスカッション

[MetaQuotes]

新しい記事「取引におけるニューラルネットワーク：Temporal Queryモデル（最終回）」はパブリッシュされました:

TQNetフレームワークの開発とテストも、いよいよ最終段階を迎えました。今回は、理論を実際の取引環境に結び付け、過去のデータによる学習から、直近の市場データを用いたストレステストへと進みます。 モデルの頑健性と予測精度を評価し、最終的な結果を通じて、提案手法が実際の取引においてどのような価値を持つのかを明らかにします。 ここで得られるのは、単なる統計上の数値ではなく、実用性を具体的に示す結果です。

第1段階はオフライン学習です。2024年の1年間を対象に、H1時間足のEURUSDペアの過去データを用いて、徹底的な学習を実施しました。 この年には、落ち着いたレンジ相場、安定したトレンド、突然のボラティリティ上昇、ノイズが増大する局面など、多様な市場レジームが含まれていました。そのため、モデルの学習に非常に適した環境となりました。

第2段階はオンラインでのファインチューニングです。 実際の取引に可能な限り近い環境で学習を実施しました。具体的には、MetaTrader 5ストラテジーテスターにおいて、モデルがローソク足のデータをリアルタイムと同様に逐次処理するようにしました。オンラインモードでは、バッチ学習とはまったく異なる特性が明らかになります。具体的には、ノイズへの耐性、流動性の変化への対応能力、遅延や取引全体を通じたスリッページの影響を適切に考慮する能力です。 ファインチューニングでは実際の約定条件をシミュレーションし、実運用に移行した際にもモデルが予測可能な挙動を示すようにしました。

最後の段階は、おそらく最も厳格な検証であり、完全なアウトオブサンプルデータ、すなわち2025年1月から3月までの市場価格データを用いたテストです。 モデルのすべてのパラメータとハイパーパラメータは固定したままとし、このデータに対する追加調整は一切おこないませんでした。 このような検証により、実用上の有効性を客観的に評価できます。つまり、新しい環境下でもアルゴリズムが予測可能性と堅牢性を維持できるかどうかを確認できます。

テストの結果を以下に示します。

作者: Dmitriy Gizlyk