📝

技術力で殴る前に「問い」を研げ。

に公開
botter
idea

はじめに

本記事は 仮想通貨 Advent Calendar 2025 のシリーズ2の6日目の記事です。

エンジニアやデータサイエンティストがクリプトトレードに参入する際、最も陥りやすい罠があります。それは、「高度なモデルや大量の特徴量を使えば、エッジ（優位性）が見つかる」という誤解です。

  • とりあえず大量のインジケーターをLightGBMに突っ込む
  • 深層強化学習の論文を実装してみる
  • グリッドサーチでパラメータを最適化し続ける

しかし、多くの場合、待っているのは「過学習（Overfitting）」という名の死です。

なぜでしょうか？ それは 「解くべき問題（問い）」の定義が間違っているからです。

本稿では、 G. Pólya（ポーヤ）の名著『いかにして問題をとくか』の思考フレームワークを借りて、「データやモデルを触る前に行うべき、エッジ探索の作法」 を解説します。

0. そのエッジの原資は「誰」が払うのか？

コードを書く前に、冷徹な現実を直視しましょう。トレードはゼロサム（手数料を含めればマイナスサム）ゲームです。あなたが利益を得るためには、誰かが損をするか、コストを支払う必要があります。

エッジを定義し直しましょう。

真のエッジ（Edge）
市場構造、制度、あるいは人間の心理的バイアスによって、「特定のプレイヤーが不利な取引を強いられている」 状態。

「RSIが30を下回ったから上がる」のではありません。「恐怖に駆られた（あるいは強制清算された）プレイヤーが、適正価格以下で投げ売りせざるを得ないから、リバウンドが発生する」のです。

「対戦相手（Counterparty）」の顔が見えていない戦略は、すべてカーブフィッティングです。

この「構造」を見抜くために、ポーヤのアプローチをクオンツ向けに拡張した 6つのステージ を導入します。

1. エッジ探索の 6 ステージ

ポーヤの問題解決プロセスを、相場という不確実な領域向けに再構成します。

  1. 問いを定める（Frame the Question）
  2. 構造を理解する（Understand the Structure）
  3. 仮説空間を設計する（Design the Hypothesis Space）
  4. 最小のテストを設計する（Plan Minimal Tests）
  5. 実行して証拠を集める（Execute & Generate Evidence）
  6. 統合して問いを更新する（Synthesize & Update）

ステージ 0：問いを定める

― 「何を解くのか」を仕様化する

「儲かるロジックを作りたい」は願望であって、問いではありません。エンジニアリングの世界で「良い感じのアプリを作りたい」と言って開発を始めないのと同じです。

  • 時間軸の定義: 数秒（HFT）、数時間（Day）、数日（Swing）？
  • 優位性の定義: 勝率重視か、リスクリワード（損小利大）重視か？
  • 制約条件: スリッページや手数料にどれだけ耐えられるロジックか？

ステージ 1：構造を理解する

― その利益の源泉（Alpha）はどこから来るのか

ここで初めて「対戦相手」を想像します。あなたの利益は、以下のどの歪みから生まれるのでしょうか？

  1. 情報の非対称性: オンチェーンの誰よりも早い検知、未公開情報の利用（※合法な範囲で）
  2. 制度的歪み: 現物と先物の価格差（Basis）、Funding Rateの乖離
  3. 強制力: ロスカット（Liquidation）による強制決済
  4. 行動バイアス: 恐怖（Panic Sell）、強欲（FOMO）、アンカリング

ステージ 2：仮説空間を設計する

― 特徴量エンジニアリングの指針を決める

「構造」がわかれば、見るべきデータ（特徴量）が決まります。

  • 「強制ロスカット」を狙うなら → 価格そのものより 「Open Interest（未決済建玉）の減少」 や 「Liquidation Map」 が重要。
  • 「需給の不均衡」を狙うなら → 「Funding Rate」 や 「Long/Short Ratio」 が重要。

機械学習を使う場合でも、漫然とOHLCV（始値・高値・安値・終値・出来高）を入れるのではなく、「歪みを表現する指標」を計算して入力するのが腕の見せ所です。

ステージ 3：最小のテストを設計する

― "Fail Fast"（早く失敗せよ）

ポーヤは「問題を単純化せよ」と説きました。
壮大なバックテストフレームワークを作る前に、「その仮説が箸にも棒にもかからないこと」 を10分で確認しましょう。

PythonとPandasで十分です。

# 仮説：「Funding Rate（FR）が極端にマイナスの時、ショートカバーで上がるはず」
# 最小テスト：FRが下位1%の時の、次足のリターン平均を見る

import pandas as pd

# df = (FRと価格データを含むDataFrame)

# 閾値を決定（下位1%）
threshold = df['fundingRate'].quantile(0.01)

# 条件抽出
condition = df['fundingRate'] < threshold

# 条件合致時の次足リターン平均
mean_return = df[condition]['next_return'].mean()
base_return = df['next_return'].mean()

print(f"通常時の平均リターン: {base_return:.5f}")
print(f"異常時の平均リターン: {mean_return:.5f}")

# この時点で有意差がなければ、この仮説は捨てるか、条件を絞り込む

ステージ 4：実行して証拠を集める

― バックテストは「答え合わせ」ではなく「診断」

バックテストの結果が右肩上がりになったとしても、喜ぶのはまだ早いです。
「なぜ勝てたのか」 を分解します。

  • 時期による偏り: 2021年のバブル相場だけで稼いでいないか？
  • 銘柄による偏り: 特定の草コインのパンプだけで稼いでいないか？
コラム：オーバーフィッティングの罠

もし、パラメータを少しずらしただけでパフォーマンスが激減するなら、それは「エッジ」ではなく「ノイズ」にフィッティングしています。「太いエッジ（Robust Edge）」は、パラメータが多少ずれても機能し続けます。

ステージ 5：統合して問いを更新する

― 研究ノート（Research Log）をつける

最後のステージは、結果の一般化です。
実験結果はすべて「資産」です。失敗した実験も、「そのアプローチは機能しない」という貴重なデータです。

おすすめは、「研究ノート」 をつけることです。

Date Hypothesis (仮説) Method (検証法) Result (結果) Insight (気付き)
12/01 急落後の反発狙い 5%下落でLong × (-0.2%) 下落トレンド中は機能しない
12/02 ↑にFR条件を追加 FR<0ならLong ○ (+1.5%) 需給の偏り（FR）が重要

このように仮説と結果を言語化し、更新し続けるプロセスそのものが、あなたの問題解決能力を高めます。

まとめ：インジケーターではなく「思考」を武器にせよ

  • エッジの背後には必ず「理由（構造）」がある。 理由なきエッジは幻である。
  • 「誰がお客様か」を常に問う。 対戦相手が見えないなら、お客様は自分かもしれない。
  • ポーヤのプロセス（問い→構造→仮説→検証）を回す。 コードを書くのは、思考が固まってから。

今日のクリプト市場で通用した手法は、明日には使えなくなるかもしれません。しかし、「市場の歪みを見つけ、仮説を立て、検証する」という思考の型 は、市場がどう変わろうとも一生使える武器になります。

偉そうなことを書きましたが、自分への戒めとして書いているのでご容赦ください！

Discussion