signal-classification

シグナル分類

教師あり機械学習分類器を使って、先行期間における資産価格の上昇または下落を予測します。このスキルでは、ラベル作成、モデルのトレーニング、ウォークフォワード検証、特徴量重要度の分析、取引アプリケーション向けの閾値最適化まで、パイプライン全体を扱います。

ツリーベースモデルが取引MLで主流である理由

XGBoostとLightGBMが定量取引MLの主力であるのには、十分な理由があります。

• 非線形の関係：金融特徴量は複雑に相互作用します。ツリーはこうした非線形の関係を自然に捉えます
• 特徴量のスケールに頑健：入力の正規化や標準化は不要です。ツリーは順位に基づいて分割します
• 特徴量重要度を内蔵：別途分析しなくても、どの特徴量が予測を左右するかを把握できます
• 高速なトレーニングと推論：数千サンプルを数秒でトレーニングし、数マイクロ秒で予測できます
• 欠損値に対応：補完のための小細工なしで、NaNをネイティブにサポートします
• 正則化を内蔵：max_depth、min_child_weight、subsampleなどにより、すべて過学習を防ぎます

線形モデルやディープラーニングが活躍する場面もありますが、サンプル数が100k未満の表形式の取引特徴量では、勾配ブースティングツリーが一貫して他の手法を上回ります。

分類の種類

二値分類

最もシンプルで一般的な設定です。先行リターンが閾値を超えるかどうかを予測します。

• 上昇シグナル：先行リターン > +1%
• 下落シグナル：先行リターン < -1%
• 中立（除外）：-1%～+1%。より明確なラベルを作成するため、トレーニングデータから除外します

import numpy as np

def create_binary_labels(
    prices: np.ndarray, horizon: int = 24, threshold: float = 0.01
) -> np.ndarray:
    """Create binary labels from forward returns.

    Args:
        prices: Array of prices.
        horizon: Forward return lookback in bars.
        threshold: Minimum return magnitude for a label.

    Returns:
        Array of labels: 1 (up), 0 (down), NaN (neutral).
    """
    fwd_returns = np.roll(prices, -horizon) / prices - 1
    fwd_returns[-horizon:] = np.nan
    labels = np.where(fwd_returns > threshold, 1,
             np.where(fwd_returns < -threshold, 0, np.nan))
    return labels

多クラス分類

シグナルをより細かくするための3クラス分類です。

クラス	条件	一般的な閾値
強い上昇	fwd_return > +2%	信頼度の高いロング
小幅な上昇	+0.5%～+2%	中程度の信頼度
下落	fwd_return < -0.5%	回避／ショート

多クラス分類ではクラスごとのサンプル数が減ります。大規模なデータセット（クラスごとに1000サンプル以上）でのみ使用してください。

確率のキャリブレーション

XGBoost／LightGBMの生のモデル確率は、適切にキャリブレーションされていません。予測確率が0.7でも、それが正解する確率が70%という意味ではありません。キャリブレーションを使って補正します。

from sklearn.calibration import CalibratedClassifierCV

calibrated = CalibratedClassifierCV(base_model, cv=5, method="isotonic")
calibrated.fit(X_train, y_train)
probs = calibrated.predict_proba(X_test)[:, 1]

ツリーモデルでは、Plattスケーリングよりアイソトニック・キャリブレーションのほうが適しています。

ウォークフォワード検証

**これは取引MLにおいて、最も重要な概念です。**標準的な交差検証ではデータをランダムにシャッフルするため、先読みバイアスが生じます。ウォークフォワード検証では、時間順序を維持します。

仕組み

Window 1: [===TRAIN===][GAP][=TEST=]
Window 2:    [===TRAIN===][GAP][=TEST=]
Window 3:       [===TRAIN===][GAP][=TEST=]
Window 4:          [===TRAIN===][GAP][=TEST=]

各ウィンドウで、以下を行います。

1. 過去のN本のバーでトレーニングします
2. 先行リターンの期間と同じ長さのギャップ（エンバーゴ）を空けます
3. 次のM本のバーを予測します
4. アウトオブサンプル予測を記録します
5. 期間を先に進めて繰り返します

一般的なパラメーター

パラメーター	値	理由
トレーニングウィンドウ	30日（720時間足バー）	学習に十分なデータ量があり、関連性を保てるほど最近のデータです
テストウィンドウ	7日（168時間足バー）	統計的有意性を得るのに十分な予測数です
ステップ幅	1日（24本のバー）	テストウィンドウを重ねて、より多くのデータポイントを得ます
ギャップ（エンバーゴ）	先行期間と同じ	ラベルリークを防ぎます

ウォークフォワードの実装

from typing import Iterator

def walk_forward_splits(
    n_samples: int,
    train_size: int = 720,
    test_size: int = 168,
    step_size: int = 24,
    gap: int = 24,
) -> Iterator[tuple[np.ndarray, np.ndarray]]:
    """Generate walk-forward train/test index splits.

    Args:
        n_samples: Total number of samples.
        train_size: Number of training samples per window.
        test_size: Number of test samples per window.
        step_size: Step between successive windows.
        gap: Gap between train end and test start.

    Yields:
        Tuples of (train_indices, test_indices).
    """
    start = 0
    while start + train_size + gap + test_size <= n_samples:
        train_idx = np.arange(start, start + train_size)
        test_start = start + train_size + gap
        test_idx = np.arange(test_start, test_start + test_size)
        yield train_idx, test_idx
        start += step_size

パージ付きCV、CPCV、評価指標については、references/validation_methods.mdを参照してください。

モデルのトレーニングパイプライン

パイプライン全体の概要

1. 特徴量エンジニアリング — テクニカル指標、オンチェーン指標、出来高特徴量を計算します（feature-engineeringスキルを参照）
2. ラベル作成 — 閾値を用いて先行リターンを計算し、中立ゾーンを除外します
3. ウォークフォワード分割 — 時間順に並べたギャップ付きのトレーニング／テストウィンドウを作成します
4. モデルのトレーニング — 各トレーニングウィンドウでXGBoostまたはLightGBMを使用します
5. テストデータの予測 — アウトオブサンプルの確率予測を生成します
6. 予測の集約 — すべてのアウトオブサンプル結果を連結します
7. 評価 — 正解率、適合率、再現率、F1、AUC、プロフィットファクターを評価します

トレーニングの簡単な例

from xgboost import XGBClassifier

model = XGBClassifier(
    n_estimators=200,
    max_depth=4,
    learning_rate=0.05,
    subsample=0.8,
    colsample_bytree=0.8,
    eval_metric="logloss",
    use_label_encoder=False,
    random_state=42,
)

model.fit(
    X_train, y_train,
    eval_set=[(X_val, y_val)],
    verbose=False,
)

probabilities = model.predict_proba(X_test)[:, 1]

パラメーターの推奨値とチューニングについては、references/model_guide.mdを参照してください。

SHAP 特徴量重要度

SHAP（SHapley Additive exPlanations）は、モデルの予測を理解するための最高水準の手法です。

グローバルな特徴量重要度

すべての予測を通じて、どの特徴量が最も重要かを確認します。

import shap

explainer = shap.TreeExplainer(model)
shap_values = explainer.shap_values(X_test)

# Summary plot (top 15 features)
shap.summary_plot(shap_values, X_test, max_display=15)

局所的な説明

特定の予測が行われた理由を確認します。

# Explain a single prediction
shap.force_plot(explainer.expected_value, shap_values[0], X_test.iloc[0])

時系列の特徴量重要度

ウォークフォワードの各期間における特徴量重要度の変化を追跡します。ある特徴量の重要度が大幅に低下した場合、市場レジームが変化した可能性があります。

閾値の最適化

デフォルトの確率閾値 0.5 が、トレードに最適であることはほとんどありません。

なぜ 0.5 ではないのか？

• クラスの不均衡：「上昇」ラベルが 60% の場合、閾値 0.5 は積極的すぎます
• 取引コスト：確率 0.51 のような僅差のシグナルでは、取引コストを賄えないことがほとんどです
• ペイオフの非対称性：トレードでは再現率より適合率が重要です

プロフィットファクターを最適化する

def optimize_threshold(
    probabilities: np.ndarray,
    returns: np.ndarray,
    thresholds: np.ndarray | None = None,
) -> tuple[float, float]:
    """Find threshold that maximizes profit factor.

    Args:
        probabilities: Model predicted probabilities.
        returns: Actual forward returns.
        thresholds: Thresholds to search over.

    Returns:
        Tuple of (best_threshold, best_profit_factor).
    """
    if thresholds is None:
        thresholds = np.arange(0.50, 0.85, 0.01)
    best_threshold, best_pf = 0.5, 0.0
    for t in thresholds:
        signals = probabilities >= t
        if signals.sum() < 10:
            continue
        signal_returns = returns[signals]
        wins = signal_returns[signal_returns > 0].sum()
        losses = abs(signal_returns[signal_returns < 0].sum())
        pf = wins / losses if losses > 0 else 0.0
        if pf > best_pf:
            best_pf = pf
            best_threshold = t
    return best_threshold, best_pf

よく見られる結果：暗号資産のトレードシグナルでは、最適な閾値は 0.60～0.75 です。

暗号資産特有の考慮事項

短い学習期間

暗号資産市場のレジームは急速に変化します。6 か月分のデータで学習したモデルより、30 日分のデータで学習したモデルのほうが高い性能を発揮する場合があります。学習期間を短くし、頻繁に再学習してください。

クラスの不均衡

ほとんどの期間は「横ばい」（リターンが中立ゾーン内）です。これに対処するための方法は以下のとおりです。

• 中立ゾーンを除外する：明確な上昇・下降ラベルのみで学習します
• 多数派クラスをアンダーサンプリングする：XGBoost の scale_pos_weight を使用します
• SMOTE：少数派クラスの合成オーバーサンプリング（先読みを招く可能性があるため、慎重に使用してください）
• 閾値を調整する：確率閾値を上げて補正します

取引コスト

精度 55% のモデルは良さそうに見えますが、往復取引コスト（スリッページ＋手数料）が 0.5% かかると、多くのシグナルが採算割れします。シグナルは必ずコスト控除後で評価してください。

net_return = gross_return - 0.005  # 50 bps round-trip

特徴量の劣化

より多くの市場参加者が特徴量を発見し、それを基に取引するようになると、特徴量の予測力は時間とともに低下します。ローリング性能を監視し、指標が悪化したら再学習してください。

他のスキルとの連携

スキル	連携
feature-engineering	分類器の入力特徴量を計算します
vectorbt	ML シグナルを使ったトレード戦略をバックテストします
regime-detection	レジームごとに個別のモデルを学習するか、レジームを特徴量として使用します
position-sizing	分類器の信頼度に基づいてポジションサイズを決定します
risk-management	ML が生成したシグナルに、ポートフォリオ全体のリスク制限を適用します

ファイル

リファレンス

• references/model_guide.md — XGBoost と LightGBM のパラメーターガイド、チューニング、アンサンブル
• references/validation_methods.md — ウォークフォワード、パージド CV、CPCV、評価指標

スクリプト

• scripts/train_classifier.py — ウォークフォワード検証と特徴量重要度を用いてシグナル分類器を学習します
• scripts/walk_forward_backtest.py — ウォークフォワード検証を用いて、ML シグナルとバイ・アンド・ホールドをバックテストします

依存関係

# Core (required)
uv pip install pandas numpy scikit-learn

# Optional (recommended)
uv pip install xgboost lightgbm shap

主なポイント

1. ウォークフォワード検証は必須です — ランダム CV では結果が大幅に過大評価されます
2. 精度ではなく、プロフィットファクターを基準に閾値を最適化します — 適合率が高く再現率が低いモデルは、精度が高いモデルより優れています
3. 暗号資産では学習期間を短くします — ほとんどのレジームで、6 か月より 30 日のほうが有効です
4. 特徴量の劣化を監視します — ローリング指標がベースラインを下回ったら再学習します
5. 必ずコスト控除後で評価します — 精度 55% のモデルでも、手数料を差し引くと採算割れする可能性があります
6. 生の特徴量重要度より SHAP を使います — SHAP は一貫性があり、理論的根拠に基づいた説明を提供します