記事「取引におけるニューラルネットワーク:異質性を考慮したメタパラメータ学習(最終回)」についてのディスカッション 新しいコメント MetaQuotes 2026.11.17 09:41 新しい記事「取引におけるニューラルネットワーク:異質性を考慮したメタパラメータ学習(最終回)」はパブリッシュされました: 自動売買に統合可能な、MQL5によるHimNetフレームワークの実用的な実装について解説します。 異質性に適応したメタパラメータによって、モデルがボラティリティの変動に対応できる汎用ツールへと変わる仕組みを示します。 学習プロセスは、相互に補完する2つの段階で構成されています。これにより、堅固な基盤を確立すると同時に、実際の市場環境で運用するために必要な柔軟性を確保します。 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。 この期間には、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。 このモデルは、MetaTrader 5のストラテジーテスターにおいて、実際の取引環境に可能な限り近い条件下で、ローソク足のストリームを順次処理しました。 この段階では、オフライン学習時とは全く異なる特性が明らかになります。具体的には、ノイズに対する耐性、流動性の変化に適切に対応する能力、遅延やスリッページを考慮する能力です。 実際の市場環境に移行した際にもモデルの挙動が予測可能なままとなるよう、実際の約定条件を綿密にシミュレートしました。 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。 この検証の間、すべてのモデルパラメータは固定されたままでした。 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安定性と予測可能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 新しいコメント
新しい記事「取引におけるニューラルネットワーク:異質性を考慮したメタパラメータ学習(最終回)」はパブリッシュされました:
学習プロセスは、相互に補完する2つの段階で構成されています。これにより、堅固な基盤を確立すると同時に、実際の市場環境で運用するために必要な柔軟性を確保します。 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。 この期間には、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。 このモデルは、MetaTrader 5のストラテジーテスターにおいて、実際の取引環境に可能な限り近い条件下で、ローソク足のストリームを順次処理しました。 この段階では、オフライン学習時とは全く異なる特性が明らかになります。具体的には、ノイズに対する耐性、流動性の変化に適切に対応する能力、遅延やスリッページを考慮する能力です。 実際の市場環境に移行した際にもモデルの挙動が予測可能なままとなるよう、実際の約定条件を綿密にシミュレートしました。
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。 この検証の間、すべてのモデルパラメータは固定されたままでした。 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安定性と予測可能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