FXエンジニアリング | つじユウキ DevelopmentFX × 深層学習 × ソフトウェアエンジニアリング。ニューラルネットワークによるドル円システムトレードを開発・運用。特徴量エンジニアリング、モデル学習、バックテスト、リアル運用の記録。https://tsu-ji.com/アルファエッジとベータエッジの違いhttps://tsu-ji.com/dev/alpha-edge-vs-beta-edge/https://tsu-ji.com/dev/alpha-edge-vs-beta-edge/市場全体のリターンを利用するベータエッジと、独自の優位性を生み出すアルファエッジの違いを解説。期待値予測型ニューラルネットワーク（NN）によるFXトレードモデルが、なぜアルファ寄りのエッジを持つのか、ライブ運用データをもとに紹介Mon, 13 Jul 2026 00:00:00 GMT教師なしクラスタリングで特徴量を検証したhttps://tsu-ji.com/dev/clustering-analysis/https://tsu-ji.com/dev/clustering-analysis/UMAPとHDBSCANによる教師なしクラスタリングを用いて、73個の特徴量だけで高期待値の相場状態が分離されるかを検証した。Fri, 03 Jul 2026 00:00:00 GMT入力データの特徴量エンジニアリングhttps://tsu-ji.com/dev/feature-engineering/https://tsu-ji.com/dev/feature-engineering/学習データの入力データを特徴量エンジニアリングで決定するプロセスSun, 31 May 2026 00:00:00 GMT遺伝的アルゴリズムで閾値探索https://tsu-ji.com/dev/genetic-algorithm/https://tsu-ji.com/dev/genetic-algorithm/遺伝的アルゴリズム（GA）によるアンサンブル閾値の最適化手法を解説。Fitness関数の設計意図から、過学習リスクを『締める側』で回避してForwardデータを活かす実践的アプローチまで。Thu, 30 Jul 2026 00:00:00 GMT高ボラだけで学習したら成績は良くなるのか？https://tsu-ji.com/dev/high-volatility-filtering-backfires/https://tsu-ji.com/dev/high-volatility-filtering-backfires/高ボラティリティ相場だけで学習した結果Wed, 17 Jun 2026 00:00:00 GMTライブ運用は良好、むしろ心配なぐらいhttps://tsu-ji.com/dev/live-202606/https://tsu-ji.com/dev/live-202606/ライブ運用では、期待通りのポジティブな結果。これを継続できるかが今後のポイントThu, 02 Jul 2026 00:00:00 GMT損失関数の設計がモデル性能を決めるhttps://tsu-ji.com/dev/loss-function/https://tsu-ji.com/dev/loss-function/期待値の回帰モデルでは、損失関数の選択が学習の方向性を大きく左右する。MSE・MAE・Huber・Quantile Loss・Ranking Lossを比較しながら、Weighted Huber Lossを採用した理由を解説。Wed, 08 Jul 2026 00:00:00 GMTモデルのアンサンブルは、とても有効でしたhttps://tsu-ji.com/dev/model-ensemble/https://tsu-ji.com/dev/model-ensemble/複数のモデルの予測値を単純平均してみると、パフォーマンスが単体モデルよりも明らかに改善した。トレード数も増えた。Wed, 10 Jun 2026 00:00:00 GMTニューラルネットワークをこう理解すれば良いhttps://tsu-ji.com/dev/neural-network/https://tsu-ji.com/dev/neural-network/似た局面の平均を学習し、その偏りが未来でも再現されることを期待する。FX予測モデルを作りながら辿り着いた理解。Tue, 07 Jul 2026 00:00:00 GMTドル円予測モデルで本当に解きたい問題https://tsu-ji.com/dev/objective/https://tsu-ji.com/dev/objective/ドル円予測モデルでは方向予測ではなく、未来でも繰り返し現れる高期待値な相場パターンを学習することを目指す。その問題設定とニューラルネットワークの役割を解説する。Wed, 08 Jul 2026 00:00:00 GMT運用でエッジを堅持するhttps://tsu-ji.com/dev/operations-engineering/https://tsu-ji.com/dev/operations-engineering/研究から運用へ。Avg 2~ pips/trade のエッジを壊さず、長期間維持するための考え方。Fri, 05 Jun 2026 00:00:00 GMTアンサンブルの標準偏差（Std）は「市場の異常」を検知できるかhttps://tsu-ji.com/dev/out-of-distribution/https://tsu-ji.com/dev/out-of-distribution/21モデルのアンサンブル予測値の標準偏差（Std）を用いて、学習時に見たことのない異常な市場状態を検知・回避する手法を検証した。Mon, 06 Jul 2026 00:00:00 GMT過学習（オーバーフィッティング）の原因とは？https://tsu-ji.com/dev/over-fitting/https://tsu-ji.com/dev/over-fitting/過学習はなぜ起こるのでしょうか。予測誤差を構成する「バイアス・バリアンス・ノイズ」の3要素から、アンダーフィットとオーバーフィットの違いを解説。バギングやMean Ensembleなどのアンサンブル学習が高バリアンスをどのように抑えるのかSun, 19 Jul 2026 00:00:00 GMT入力がほとんどノイズでも、ニューラルネットはなぜ学習できるのかhttps://tsu-ji.com/dev/paper-how-neural-networks-survive-heavy-input-corruption/https://tsu-ji.com/dev/paper-how-neural-networks-survive-heavy-input-corruption/重い入力ノイズ環境でのニューラルネットの振る舞いを考えるMon, 15 Jun 2026 00:00:00 GMTドル円予測で理解する期待値・条件付き確率https://tsu-ji.com/dev/probability/https://tsu-ji.com/dev/probability/確率・統計・期待値・条件付き確率の考え方を、ドル円の機械学習を例にわかりやすく解説。ニューラルネットワークが期待値を予測できる理由と、レジームの重要性についてFri, 03 Jul 2026 00:00:00 GMT強化学習は使えるだろうかhttps://tsu-ji.com/dev/reinforcement-learning/https://tsu-ji.com/dev/reinforcement-learning/ドル円短期期待値予測モデルに強化学習（Deep Reinforcement Learning）を適用できるか検討した結果をまとめる。Tue, 07 Jul 2026 00:00:00 GMT予測と正解の残差を分析してみたhttps://tsu-ji.com/dev/residual-analysis/https://tsu-ji.com/dev/residual-analysis/ドル円期待値予測モデルの予測値と実績値の残差分析を行い、モデルの安定性と順位付け能力を確認する。Thu, 09 Jul 2026 00:00:00 GMT乱数シードで「当たり学習」と「ハズレ学習」が生まれるhttps://tsu-ji.com/dev/seed-sensitivity/https://tsu-ji.com/dev/seed-sensitivity/低S/N比の金融予測では、乱数シードだけで性能が大きく変わることがあるFri, 19 Jun 2026 00:00:00 GMT多数の弱いシグナルを活用する方が有効かhttps://tsu-ji.com/dev/sparse-or-dense/https://tsu-ji.com/dev/sparse-or-dense/ドル円為替予測では少数の強いシグナルより、多数の弱いシグナルを活用する方が有効かFri, 19 Jun 2026 00:00:00 GMTSL幅がモデルの性能を落としていたhttps://tsu-ji.com/dev/stop-loss-optimization/https://tsu-ji.com/dev/stop-loss-optimization/エントリーもモデルも変更せず、Exit戦略(SL幅)だけを見直した結果、パフォーマンスが大幅に改善した。Wed, 22 Jul 2026 00:00:00 GMTTrain・Forward・Liveから見えた、現実的な性能上限https://tsu-ji.com/dev/train-forward-live/https://tsu-ji.com/dev/train-forward-live/Train・Forward・Liveの性能比率を整理すると、金融時系列における未知データへの一般化性能の現実的な上限が見えてくる。Mon, 13 Jul 2026 00:00:00 GMTTransformerモデルはオーバースペックかhttps://tsu-ji.com/dev/transformer-overkill/https://tsu-ji.com/dev/transformer-overkill/FX・ドル円の期待値推測では、Transformerモデルは表現力が高すぎるか。金融時系列で重要なのは、複雑なパターンではなく、未来でも繰り返し再現される一般的なパターンを学習すること。Wed, 15 Jul 2026 00:00:00 GMTチューニングが完了してやる事が無くなったhttps://tsu-ji.com/dev/tuning/https://tsu-ji.com/dev/tuning/モデルの各パラメーターのチューニングが完了。もう変更しても結果が変わらない。Tue, 07 Jul 2026 00:00:00 GMT