adaptive-wfo-epoch

適応型ウォークフォワード・エポック選択（AWFES）

ウォークフォワード最適化（WFO）における適応型エポック選択の機械可読リファレンスです。ウォークフォワード効率（WFE）を目的関数として、フォールドごとのトレーニングエポックを最適化します。

自己進化型スキル：このスキルは利用を通じて改善されます。指示に誤りがある場合、パラメーターにずれが生じた場合、または回避策が必要になった場合は、先送りせず、直ちにこのファイルを修正してください。実際に再現可能な問題がある場合のみ更新してください。

このスキルを使用する場面

次の場合にこのスキルを使用します。

• WFO における ML モデルの最適なトレーニングエポックを選択する
• ウォークフォワード効率指標を使って過学習を回避する
• フォールドごとの適応型エポック選択を実装する
• エポックとパフォーマンスのトレードオフに関する効率的フロンティアを計算する
• WFO のフォールド間でエポックの事前情報を引き継ぐ

クイックスタート

from adaptive_wfo_epoch import AWFESConfig, compute_efficient_frontier

# Generate epoch candidates from search bounds and granularity
config = AWFESConfig.from_search_space(
    min_epoch=100,
    max_epoch=2000,
    granularity=5,  # Number of frontier points
)
# config.epoch_configs → [100, 211, 447, 945, 2000] (log-spaced)

# Per-fold epoch sweep
for fold in wfo_folds:
    epoch_metrics = []
    for epoch in config.epoch_configs:
        is_sharpe, oos_sharpe = train_and_evaluate(fold, epochs=epoch)
        wfe = config.compute_wfe(is_sharpe, oos_sharpe, n_samples=len(fold.train))
        epoch_metrics.append({"epoch": epoch, "wfe": wfe, "is_sharpe": is_sharpe})

    # Select from efficient frontier
    selected_epoch = compute_efficient_frontier(epoch_metrics)

    # Carry forward to next fold as prior
    prior_epoch = selected_epoch

方法論の概要

これは何か

フォールドごとの適応型エポック選択です。次の手順で行います。

1. 複数のエポック数（例：400、800、1000、2000）でモデルをトレーニングする
2. エポック数ごとに WFE = OOS_Sharpe / IS_Sharpe を計算する
3. トレーニングコストに対する WFE を最大化するエポックの「効率的フロンティア」を見つける
4. フロンティアから最適なエポックを選択して OOS 評価を行う
5. 次のフォールドの事前情報として引き継ぐ

これは何ではないか

• 早期停止ではありません：早期停止は検証損失を継続的に監視しますが、これは事後に離散的な候補を評価します
• ベイズ最適化ではありません：代理モデルは使用せず、すべての候補を直接評価します
• ネストされた交差検証ではありません：シャッフル分割ではなく、時間順の WFO を使用します

学術的基盤

概念	引用	主な知見
ウォークフォワード効率	Pardo (1992, 2008)	WFE = OOS_Return / IS_Return を頑健性指標とする
確率的シャープレシオ	Bailey & López de Prado (2012)	単一ルールにおけるシャープレシオの有意性
パレート最適な HP 選択	Bischl et al. (2023)	多目的ハイパーパラメーター最適化
ウォームスタート	Nomura & Ono (2021)	最適化実行間で知識を転移する

文献レビューの全文は、references/academic-foundations.md を参照してください。

中核となる式：ウォークフォワード効率

def compute_wfe(
    is_sharpe: float,
    oos_sharpe: float,
    n_samples: int | None = None,
) -> float | None:
    """Walk-Forward Efficiency - measures performance transfer.

    WFE = OOS_Sharpe / IS_Sharpe

    Interpretation (guidelines, not hard thresholds):
    - WFE ≥ 0.70: Excellent transfer (low overfitting)
    - WFE 0.50-0.70: Good transfer
    - WFE 0.30-0.50: Moderate transfer (investigate)
    - WFE < 0.30: Severe overfitting (likely reject)

    The IS_Sharpe minimum is derived from signal-to-noise ratio,
    not a fixed magic number. See compute_is_sharpe_threshold().

    Reference: Pardo (2008) "The Evaluation and Optimization of Trading Strategies"
    """
    # Data-driven threshold: IS_Sharpe must exceed 2σ noise floor
    min_is_sharpe = compute_is_sharpe_threshold(n_samples) if n_samples else 0.1

    if abs(is_sharpe) < min_is_sharpe:
        return None
    return oos_sharpe / is_sharpe

原則に基づく設定フレームワーク

すべてのパラメーターは、第一原理またはデータの特性に基づいて導出されます。AWFESConfig は、対数間隔によるエポック生成、探索空間からのベイズ分散の導出、市場固有の年率換算係数を備えた統一的な設定を提供します。

完全な AWFESConfig クラスと compute_is_sharpe_threshold() の実装については、references/configuration-framework.md を参照してください。

ガードレール（原則に基づくガイドライン）

試行回数補正の禁止（運用ルール、2026-10-15）：Deflated Sharpe Ratio、最小バックテスト期間（MinBTL）、またはその他の試行回数補正（Holm や Benjamini-Yekutieli などの FWER/FDR 手法、e-LOND、およびその他のオンライン多重検定）を計算、報告、順位付けに使用したり、引用したりしてはいけません。エポック選択リスクには、モデル自体の簡潔性を評価すること（事前に宣言した少数の候補集合）、実行前の登録、未使用データによって対処します。また、各ルールでは独自の統計量（Sharpe、PSR、MinTRL）を報告します。以前の DSR ガードレールは意図的に削除されました。再追加しないでください。

• G1：WFE のしきい値 - 実務者のコンセンサスに基づき、0.30（却下）、0.50（警告）、0.70（目標）
• G2：IS_Sharpe の最小値 - データに基づくしきい値：2/sqrt(n) でサンプルサイズに適応
• G3：安定性ペナルティ - WFE の分散から導出される適応型しきい値により、エポックの頻繁な変更を防止
• G4：登録と未使用データ - エポック候補集合、WFE のしきい値、合格基準はスイープ前に固定します。選択プロセスが一度も触れていないテストデータで合否を判定します。試行回数補正は適用しません

すべてのガードレールの完全な実装については、references/guardrails.md を参照してください。

WFE の集約方法

帰無仮説の下では、WFE はコーシー分布に従うため、定義された平均値はありません。常に中央値またはプール方式を優先してください。

• プール WFE：サンプルサイズによる精度加重（フォールドサイズが異なる場合に最適）
• 中央値 WFE：外れ値に対して頑健（レジーム変化が疑われる場合に最適）
• 加重平均：逆分散加重（同質的なフォールドに最適）

実装と選択ガイドについては、references/wfe-aggregation.md を参照してください。

効率的フロンティアアルゴリズム

パレート最適なエポック選択：他のどのエポックにも支配されない（WFE が高く、かつトレーニング時間が短い）場合、そのエポックはフロンティア上にあります。AdaptiveEpochSelector クラスは、適応型安定性ペナルティを用いてフォールド間の状態を保持します。

アルゴリズムと繰り越しメカニズムの全容については、references/efficient-frontier.md を参照してください。

アンチパターン

アンチパターン	症状	修正	深刻度
拡張ウィンドウ（レンジバー）	フォールドごとにトレーニングサイズが増加	固定スライディングウィンドウを使用	CRITICAL
ピークの選択	最良のエポックが常にスイープ境界にある	範囲を広げ、プラトーを確認	HIGH
フォールド数不足	effective_n < 30	フォールド数またはデータ期間を増やす	HIGH
時間的自己相関の無視	フォールド間に相関がある	パージド CV を使用し、フォールド間にギャップを設ける	HIGH
IS への過剰適合	IS >> OOS Sharpe	エポック数を減らし、正則化を追加する	HIGH
暗号資産に sqrt(252) を使用	Sharpe が過大になる	sqrt(365) または週次の sqrt(7) を使用	MEDIUM
単一エポックの選択	不確実性を定量化できない	信頼区間を報告する	MEDIUM
メタ過剰適合	エポック選択自体が過剰適合する	候補を最大 3～4 個に制限する	HIGH

CRITICAL：レンジバーの ML トレーニングでは、拡張ウィンドウを決して使用しないでください。詳しい分析については、references/anti-patterns.md のセクション 7 を参照してください。

意思決定ツリー

実務者向けの意思決定ツリー全体については、references/epoch-selection-decision-tree.md を参照してください。

Start
  │
  ├─ IS_Sharpe > compute_is_sharpe_threshold(n)? ──NO──> Mark WFE invalid, use fallback
  │         │                                            (threshold = 2/√n, adapts to sample size)
  │        YES
  │         │
  ├─ Compute WFE for each epoch
  │         │
  ├─ Any WFE > 0.30? ──NO──> REJECT all epochs (severe overfit)
  │         │                (guideline, not hard threshold)
  │        YES
  │         │
  ├─ Compute efficient frontier
  │         │
  ├─ Apply AdaptiveStabilityPenalty
  │         │ (threshold derived from WFE variance)
  └─> Return selected epoch

rangebar-eval-metrics との統合

このスキルは rangebar-eval-metrics を拡張します。

メトリクスのソース	用途	参照
sharpe_tw	WFE の分子（OOS）と分母（IS）	range-bar-metrics.md
n_bars	集計の重み付けに使用するサンプルサイズ	metrics-schema.md
psr, min_trl	最終的な受け入れ基準	sharpe-formulas.md
prediction_autocorr	モデルが崩壊していないことの検証	ml-prediction-quality.md
is_collapsed	モデルのヘルスチェック	ml-prediction-quality.md
拡張リスクメトリクス	詳細なリスク分析（任意）	risk-metrics.md

推奨ワークフロー

1. rangebar-eval-metrics:compute_metrics.py を使用して基本メトリクスを計算します
2. sharpe_tw を主要シグナルとして、エポック選択のためにAWFES に入力します
3. デプロイ前に、未使用のテスト分割で psr > 0.85 を満たし、min_trl に必要な十分なデータがあることを検証します
4. モデルのヘルス状態を把握するため、is_collapsed と prediction_autocorr を監視します

---

OOS 適用フェーズ

AWFES は、各フォールドを 3 つのデータ分割（Train 60% / Val 20% / Test 20%）に分け、各境界に 6% のエンバーゴギャップを設ける Nested WFO を使用します。フォールドごとのワークフローは、train でのエポックスイープ、validation での WFE 計算、ベイズ更新、train+val での最終モデルの学習、test での評価です。

図、BayesianEpochSelector クラス、および apply_awfes_to_test() の実装を含む完全なワークフローについては、references/oos-workflow.md を参照してください。拡張版のリファレンスについては、references/oos-application.md も参照してください。

エポックの平滑化手法

ベイズ更新（推奨）は、原則に基づいた不確実性を考慮する平滑化を提供します。代替手法には EMA と SMA があります。AWFESConfig.from_search_space() による初期化では、エポック範囲から分散が自動的に導出されます。

すべての手法、数式、初期化戦略については、references/epoch-smoothing-methods.md を参照してください。拡張された数学的分析については、references/epoch-smoothing.md を参照してください。

OOS メトリクスの仕様

テスト評価のための 3 階層のメトリクス構成です。

• Tier 1（主要）：sharpe_tw、hit_rate、cumulative_pnl、positive_sharpe_folds、wfe_test
• Tier 2（リスク）：max_drawdown、calmar_ratio、profit_factor、cvar_10pct
• Tier 3（統計）：psr、binomial_pvalue、hac_ttest_pvalue

完全なメトリクステーブル、compute_oos_metrics()、フォールド集計コードについては、references/oos-metrics-implementation.md を参照してください。しきい値の根拠については、references/oos-metrics.md を参照してください。

先読みバイアスの防止

重要（v3 の修正）：TEST では val_optimal_epoch ではなく、（過去のフォールドのみから得られる）prior_bayesian_epoch を使用する必要があります。ベイズ更新はテスト評価の後に行い、情報が過去から現在にのみ流れるようにします。

v3 の修正内容、エンバーゴ要件、検証チェックリスト、アンチパターンについては、references/look-ahead-bias-v3.md を参照してください。詳細な例については、references/look-ahead-bias.md を参照してください。

---

参考資料

トピック	参考ファイル
学術文献	academic-foundations.md
数学的定式化	mathematical-formulation.md
設定フレームワーク	configuration-framework.md
ガードレール	guardrails.md
WFE の集約	wfe-aggregation.md
効率的フロンティア	efficient-frontier.md
決定木	epoch-selection-decision-tree.md
アンチパターン	anti-patterns.md
OOS ワークフロー	oos-workflow.md
OOS の適用	oos-application.md
エポック平滑化手法	epoch-smoothing-methods.md
エポック平滑化分析	epoch-smoothing.md
OOS メトリクスの実装	oos-metrics-implementation.md
OOS メトリクスのしきい値	oos-metrics.md
先読みバイアス（v3）	look-ahead-bias-v3.md
先読みバイアスの例	look-ahead-bias.md
特徴量セット	feature-sets.md
xLSTM の実装	xlstm-implementation.md
レンジバーメトリクス	range-bar-metrics.md
トラブルシューティング	troubleshooting.md

関連スキル

スキル	関連性
sharpe-ratio-non-iid-corrections	一般化シャープ分散、PSR、MinTRL
opendeviation-eval-metrics	WFE が使用するメトリクスの定義

引用文献一覧

• Bailey, D. H., & López de Prado, M. (2012). The Sharpe ratio efficient frontier. Journal of Risk, 15(2), 3-44.
• Bischl, B., et al. (2023). Multi-Objective Hyperparameter Optimization in Machine Learning. ACM Transactions on Evolutionary Learning and Optimization.
• López de Prado, M. (2018). Advances in Financial Machine Learning. Wiley. 第7章。
• Nomura, M., & Ono, I. (2021). Warm Starting CMA-ES for Hyperparameter Optimization. AAAI Conference on Artificial Intelligence.
• Pardo, R. E. (2008). The Evaluation and Optimization of Trading Strategies, 2nd Edition. John Wiley & Sons.

実行後の振り返り

このスキルの実行後、終了する前に以下を確認してください。

1. コマンドは成功しましたか？ — 成功しなかった場合は、失敗の原因となった手順またはエラーテーブルを修正してください。
2. パラメーターや出力に変更はありましたか？ — 基盤となるツールのインターフェースに変更があった場合は、使用例とパラメーター表をそれに合わせて更新してください。
3. 回避策が必要でしたか？ — 異なるフラグや追加手順などで対応した場合は、次回同じ回避策が不要になるよう、このSKILL.mdを更新してください。

問題が実際に発生し、再現可能な場合にのみ更新してください。推測に基づく更新は避けてください。