trade-journal

トレードジャーナル

体系的な改善のためのトレード記録です。すべてのトレードを状況とともに記録し、複数の頻度でパフォーマンスを振り返り、優位性を損なう行動パターンを検出し、リターンを特定の戦略に帰属させます。

ジャーナリングが重要な理由

多くのトレーダーが失敗する原因は、悪い戦略ではなく悪い行動です。トレードジャーナルを使うと、主観的な「感覚」を客観的なデータに変えられます。

• 戦略の帰属分析：実際に利益を生むセットアップと、利益が出ているように感じるだけのセットアップを把握できます
• 行動の検出：リベンジトレード、FOMOによるエントリー、早すぎる決済が積み重なる前に気づけます
• パターンの認識：月曜の朝のトレードは損失になる、あるいはSOLの勝ちトレードを早く手仕舞いしすぎている、といった傾向を発見できます
• 説明責任：エントリー前に根拠を書き出すことで、意識的な意思決定を促します
• 改善の追跡：プロセスの変更が実際に結果を改善しているかを測定できます

ジャーナルがなければ、ノイズに基づいて最適化してしまいます。ジャーナルがあれば、シグナルに基づいて最適化できます。

トレード記録の構成

各トレード記録には、エントリー時の状況と決済時の結果が記録されます。18項目の完全なスキーマについては、references/record_format.md を参照してください。

最低限必要なフィールド

trade = {
    "id": "T-20250310-001",
    "token": "SOL",
    "direction": "long",
    "entry_date": "2025-03-10T14:30:00Z",
    "entry_price": 142.50,
    "size_sol": 5.0,
    "strategy": "momentum-breakout",
    "rationale": "Breaking above 4h resistance at 141.80 with volume confirmation",
    "exit_date": "2025-03-10T16:45:00Z",
    "exit_price": 146.20,
    "pnl_sol": 0.648,
    "outcome": "win",
    "lessons": "Held through initial pullback to 143.0, rewarded for patience"
}

戦略タグの付与

パフォーマンスの帰属分析ができるよう、一貫したタグを使用してください。

カテゴリー	タグ
モメンタム	momentum-breakout、trend-continuation、pullback-entry
平均回帰	range-fade、oversold-bounce、deviation-snap
イベント主導	listing-play、catalyst-trade、news-reaction
オンチェーン	whale-follow、wallet-copy、flow-signal
DeFi	lp-entry、yield-farm、arb-capture

根拠のテンプレート

エントリー前に根拠を書いてください。セットアップの種類別のテンプレート：

Momentum: "[Token] breaking [level] on [timeframe] with [confirmation]. Target [price], stop [price]."
Mean Reversion: "[Token] at [X] std devs from [mean] on [timeframe]. Expecting reversion to [target]."
On-Chain: "[Signal type] detected — [wallet/flow description]. Historical hit rate [X]%."

保存形式

ジャーナルでは、構造化されたクエリにはJSONを、スプレッドシートとの互換性にはCSVを使用します。

JSON形式（プライマリ）

{
  "journal_version": "1.0",
  "trader_id": "anon",
  "trades": [
    {
      "id": "T-20250310-001",
      "token": "SOL",
      "direction": "long",
      "entry_date": "2025-03-10T14:30:00Z",
      "entry_price": 142.50,
      "size_sol": 5.0,
      "size_usd": 712.50,
      "strategy": "momentum-breakout",
      "setup_quality": 8,
      "rationale": "Breaking above 4h resistance with volume",
      "exit_date": "2025-03-10T16:45:00Z",
      "exit_price": 146.20,
      "pnl_sol": 0.648,
      "pnl_pct": 2.60,
      "outcome": "win",
      "hold_time_minutes": 135,
      "emotional_state": "calm",
      "lessons": "Patience through pullback paid off",
      "tags": ["high-conviction", "clean-setup"]
    }
  ]
}

CSV形式（エクスポート）

id,token,direction,entry_date,entry_price,size_sol,strategy,exit_date,exit_price,pnl_sol,pnl_pct,outcome,lessons
T-20250310-001,SOL,long,2025-03-10T14:30:00Z,142.50,5.0,momentum-breakout,2025-03-10T16:45:00Z,146.20,0.648,2.60,win,"Patience paid off"

ジャーナルデータの分析

戦略別の勝率

from collections import Counter

def win_rate_by_strategy(trades: list[dict]) -> dict[str, float]:
    """Compute win rate grouped by strategy tag."""
    strategy_outcomes: dict[str, list[str]] = {}
    for t in trades:
        strat = t["strategy"]
        strategy_outcomes.setdefault(strat, []).append(t["outcome"])

    return {
        strat: outcomes.count("win") / len(outcomes)
        for strat, outcomes in strategy_outcomes.items()
        if len(outcomes) >= 5  # minimum sample size
    }

時間帯別のパフォーマンス

from datetime import datetime

def pnl_by_hour(trades: list[dict]) -> dict[int, float]:
    """Aggregate P&L by entry hour (UTC)."""
    hourly: dict[int, float] = {}
    for t in trades:
        hour = datetime.fromisoformat(t["entry_date"].rstrip("Z")).hour
        hourly[hour] = hourly.get(hour, 0.0) + t.get("pnl_sol", 0.0)
    return dict(sorted(hourly.items()))

トークンタイプ別のプロフィットファクター

def profit_factor(trades: list[dict], group_key: str = "token") -> dict[str, float]:
    """Compute profit factor (gross wins / gross losses) by grouping key."""
    groups: dict[str, dict[str, float]] = {}
    for t in trades:
        key = t.get(group_key, "unknown")
        groups.setdefault(key, {"wins": 0.0, "losses": 0.0})
        pnl = t.get("pnl_sol", 0.0)
        if pnl > 0:
            groups[key]["wins"] += pnl
        else:
            groups[key]["losses"] += abs(pnl)

    return {
        k: v["wins"] / v["losses"] if v["losses"] > 0 else float("inf")
        for k, v in groups.items()
    }

行動パターンの検出

ジャーナルを使うと、損失につながるトレードパターンを検出できます。詳細なフレームワークについては、references/review_framework.md を参照してください。

リベンジトレード

多くの場合、損失後にポジションサイズを大きくしてすぐ再エントリーします。

def detect_revenge_trades(trades: list[dict], max_gap_minutes: int = 15) -> list[dict]:
    """Find trades entered within max_gap_minutes of a losing exit."""
    sorted_trades = sorted(trades, key=lambda t: t["entry_date"])
    revenge = []
    for i in range(1, len(sorted_trades)):
        prev, curr = sorted_trades[i - 1], sorted_trades[i]
        if prev["outcome"] == "loss":
            prev_exit = datetime.fromisoformat(prev["exit_date"].rstrip("Z"))
            curr_entry = datetime.fromisoformat(curr["entry_date"].rstrip("Z"))
            gap = (curr_entry - prev_exit).total_seconds() / 60
            if gap <= max_gap_minutes:
                revenge.append(curr)
    return revenge

FOMOの検出

適切なセットアップがないまま、大きく動いた後にエントリーすることです。

• エントリー根拠が曖昧、または記載されていない
• セットアップの品質を自己評価で5/10未満としている
• すでに1 ATRを超えて動いた相場でエントリーしている

利益の早期確定／損失の長期保有

def winner_loser_hold_times(trades: list[dict]) -> dict[str, float]:
    """Compare average hold time for wins vs losses."""
    win_times = [t["hold_time_minutes"] for t in trades if t["outcome"] == "win"]
    loss_times = [t["hold_time_minutes"] for t in trades if t["outcome"] == "loss"]
    return {
        "avg_win_hold_min": sum(win_times) / len(win_times) if win_times else 0,
        "avg_loss_hold_min": sum(loss_times) / len(loss_times) if loss_times else 0,
    }
    # RED FLAG: if avg_loss_hold > avg_win_hold, you're cutting winners and riding losers

ティルトの検出

損失後にポジションサイズが増加している場合、感情的なトレードが疑われます。

def detect_tilt(trades: list[dict], threshold: float = 1.5) -> list[dict]:
    """Flag trades where size increased >threshold after a loss."""
    tilt_trades = []
    for i in range(1, len(trades)):
        prev, curr = trades[i - 1], trades[i]
        if prev["outcome"] == "loss" and curr["size_sol"] > prev["size_sol"] * threshold:
            tilt_trades.append(curr)
    return tilt_trades

振り返りの頻度

毎日の振り返り（5分）

• 今日のトレード数と損益は？
• すべてのトレードでルールを守れたか？
• 感情に左右された判断はあったか？
• うまくできたことを1つ、改善することを1つ挙げる

毎週の振り返り（30分）

• 戦略別の勝率とプロフィットファクター
• 行動パターンの確認（リベンジトレード、ティルト、FOMO）
• 今週のベストトレードとワーストトレード――違いを生んだ要因は？
• 期待値と比較した戦略のパフォーマンス
• 必要に応じてポジションサイズを調整する

毎月の振り返り（2時間）

• 戦略の帰属分析全体
• エクイティカーブの確認――ドローダウン期間と回復
• トレードごとの実際のリスクと計画したリスクを比較する
• トークンタイプ、時間帯、曜日別のパフォーマンス
• 一貫して損失を出している戦略はあるか？停止を検討する
• 戦略パラメーターを確認し、更新する

詳細な振り返りチェックリストと質問については、references/review_framework.md を参照してください。

部分決済と分割エントリー

実際のトレードでは、段階的なエントリーと決済が発生します。ジャーナルでは、子レコードを使ってこれらを記録します。

# Parent trade with two scale-out exits
parent = {
    "id": "T-20250310-001",
    "token": "BONK",
    "direction": "long",
    "entry_date": "2025-03-10T14:30:00Z",
    "entry_price": 0.000023,
    "size_sol": 10.0,
    "strategy": "momentum-breakout",
    "exits": [
        {"date": "2025-03-10T15:00:00Z", "price": 0.000025, "size_pct": 50, "reason": "first-target"},
        {"date": "2025-03-10T16:30:00Z", "price": 0.000028, "size_pct": 50, "reason": "trailing-stop"},
    ]
}

部分決済の扱いに関する詳細なドキュメントについては、references/record_format.md を参照してください。

ファイル

参考資料

• references/record_format.md — 18 項目すべてを含む取引レコードのスキーマ、各項目の説明、タグ付けの分類体系、CSV／JSON の例、部分決済の処理
• references/review_framework.md — 日次／週次／月次レビューのチェックリスト、行動面の危険信号、パフォーマンス低下の検出

スクリプト

• scripts/trade_logger.py — CLI 取引記録ツール：追加、一覧表示、更新、統計の算出、フィルタリング、デモモード（標準ライブラリのみ）
• scripts/journal_analyzer.py — ジャーナル分析：戦略のパフォーマンス、行動パターン、時間ベースの分析、デモモード（標準ライブラリのみ）

依存関係

どちらのスクリプトも Python の標準ライブラリ（json、datetime、argparse、collections）のみを使用します。外部パッケージは不要です。

# No installation needed — stdlib only
python scripts/trade_logger.py --demo
python scripts/journal_analyzer.py --demo

免責事項

このスキルは、取引記録の管理とパフォーマンス分析のためのツールを提供します。金融上の助言、取引の推奨、または取引成果の保証を行うものではありません。すべての分析は情報提供のみを目的としており、個人的な振り返りのためにのみご利用ください。