skip to content
FXエンジニアリング | つじユウキ

遺伝的アルゴリズムで閾値探索

/ 9 min read

View more blogs with the tag 開発ノート
Table of Contents

機械学習モデルの出力に対して「どの値ならエントリーするか」を決める閾値（threshold）を、探索する。

単一モデルであれば、手動で少しずつ値を変えながら試すこともできる。しかし、複数モデルを組み合わせたアンサンブル戦略では話が変わる。

閾値の組み合わせ数が爆発するからだ。

例えば、以下のように複数の条件がある場合。

  • sub_thr
  • mean_thr
  • low_thr

それぞれを細かく探索しようとすると、総当たり（グリッドサーチ）は現実的ではなくなる。

そこで使うのが 遺伝的アルゴリズム（Genetic Algorithm / GA）

遺伝的アルゴリズム GA

生物の進化（交差・突然変異・淘汰）を模した遺伝的アルゴリズム（GA）

GAは何百パターンもの「閾値の組み合わせ（個体）」を生成し、過去データでシミュレーションを行う。

  • 評価（淘汰）: 単に利益が大きいだけでなく、「ドローダウン（資産の減り込み）が小さく、シャープレシオ（収益の安定度）が高い個体」を優良種として残す。

  • 交差・突然変異: 優れた閾値同士を掛け合わせたり、一部の数値をランダムに変えたりして、さらに優秀なパラメータを探す。

  • 世代交代: これを何十〜何百世代も繰り返すことで、相場のレジーム（環境）に最も適応した「黄金の判定ルール」を導き出す。

なぜGAなのか

GAの利点は、広い探索空間の中から「良いパラメーター」を効率的に見つけられることにある。

特に、閾値同士の相互作用が強い場合に有効だ。

例えば、

  • mean_thr を少し緩める
  • その代わり sub_thr を厳しくする

といった「組み合わせ最適化」が自然に行われる。

手動チューニングでは見つけづらい領域を探索できるのが強い。

Fitness関数が戦略の方向性を決める

GAでは、何を「良い個体」とするかを決めるために Fitness関数 を設計する。

今回は、単純な総利益ではなく、

  • 平均 pips を重視
  • トレード数が少なすぎる場合はペナルティ

という方向で設計した。

実際の式は以下。

fitness = (
    avg
    * np.sqrt(trades)
    * min(1.0, trades / 220)
)

考え方としては、

  • avg → 1トレードあたりの質を重視

  • sqrt(trades) → トレード数が多いほど評価するが、過剰に効きすぎないように緩やかに増加

  • min(1.0, trades / 220) → 220トレード未満を軽くペナルティ

平均利益だけを最適化すると、

数回しかトレードしない超高勝率戦略

が生まれやすい。

例えば、5回だけトレードして全部勝つ設定は、バックテストでは強く見えてもライブでは再現性が低い。

そのため、最低限のサンプル数を要求する目的で、220トレード未満にペナルティを入れた。

最適化は「何を勝者と定義するか」で結果が大きく変わる。

GAそのものより、Fitness設計の方が重要だと思う。

最適化結果

30世代で収束し、以下のパラメーターが選ばれた。

=== GEN 1 ===
Best Fitness: 57.52974
Trades: 259
Pips: 925.85
Avg: 3.575


...


=== GEN 30 ===
Best Fitness: 60.60548
Trades: 243
Pips: 944.75
Avg: 3.888
sub_thr   = 0.10562
mean_thr  = 0.04674
low_thr   = -0.04310

結果として、

指標値
Trades243
Total Pips944.75
Avg Pips / Trade3.888
Fitness60.61

となった。

GAの実行例

世代毎の推移の例（別の設定）

GA Optimization

ただし、オーバーフィットは常に疑う

GAは強力な最適化手法だが、そのぶん 「探索に使った期間」に過剰適合しやすい。

過去データに、綺麗に都合よく合わせたパラメーターを作ってしまう。

バックテストで綺麗な右肩上がりになっても、それだけでは信用できない。

対策

1. 探索期間を長く取る

短期間だけだと、偶然の相場環境に最適化されやすい。

2. 期間分割

データを前半・後半に分ける。

例えば、前半でパラメーター探索を行い、後半で検証する。

探索に使っていない期間でも成績が維持されるかを見る。

3. 複数期間のサンプリング

期間を切り出して複数回評価する。

いわゆる Bootstrap Sampling / Bagging 的な考え方で、特定期間にだけ強いという設定を避ける。

ForwardデータでのGA探索はダメ？

教科書的には、GA探索はValidationデータで行うのが鉄則であり、Forward（Live）データでの探索は過学習（オーバーフィッティング）を招くためNGと言われる。

しかし、日々溜まる最新のLiveデータをForwardとしてGA探索にも活かしたいため、以下のロジックで、ForwardデータによるGA結果を採用する方針をとっている。

  • Validation評価で設定値のレンジ（幅）が判明している
  • ForwardでのGA結果が、そのレンジの中で「締める側」である
  • 締める側であれば、過学習であっても「ノイズの排除」「より高い確信度」「シグナルが慎重になる側」になると見込める

「締める側」を採用する合理的理由

Validationデータで事前に安全なパラメータの「幅」を把握した上で、ForwardのGA結果がフィルターを厳しくする「締める側」に振れているならば採用する。

条件を厳格化する方向への過学習であれば、手に入るのは「ノイズの排除」と「より高い確信度」である。

未来の相場で過学習の影響が出たとしても、起きる現象は「シグナルが慎重になり減る」という安全側（Fail-Safe）への倒れ込みである。資金を一気に溶かすような壊れ方をしないため、実運用上のリスクを極めて低く抑えられる。

教科書通りのルールに縛られず、Validationで安全枠を敷いた上で「締める側」を採用する。これが、最新データを活かしつつ未来で壊れないシステムを運用するための現実的な判断である。

ライブ向けの位置付け

最終的にGAは、ライブ投入前、投入後の微調整として使うのが良い。

  1. Trainでモデル作成
  2. Validationで戦略確認
  3. Forwardで耐性確認
  4. 最後にGAで閾値微調整

ライブトレードでは、成績は劣化するので、

バックテスト結果の 40%〜120%程度

で考えれば良い。

下振れも上振れもある。

逆に、40%以下などだと、過学習してしまった可能性を疑った方が良いだろう。