ヒューリスティクスとニュースセンチメントによる短期価格方向の評価（Python）
市場価格を正確に予測することは非常に困難です。本記事では「AIが価格を当てる」と主張するのではなく、より現実的で実務的なアプローチを採用します。
説明可能なヒューリスティクスを用いて、短期的に価格が上昇・下落する可能性を評価する
本記事では、スクリプトの設計思想、使用しているシグナル、そして実務での活用方法を解説します。AI hype やブラックボックスを意図的に避けています。
なぜ価格予測モデルではなくヒューリスティクスなのか
このスクリプトは以下を目的としています。
- ❌ 価格目標を予測しない
- ❌ 利益を保証しない
- ✅ 方向性の確率（Prob Up / Prob Down）を提示する
- ✅ ロジックを説明できる
- ✅ 価格データとニュースを統合する
適した用途:
- トレード前のバイアス確認
- リスク管理・ダッシュボード
- Human-in-the-loop な意思決定
- 教育・研究用途
システム全体の考え方
システムは次の 5 つのシグナル群から Prob Up / Prob Down を算出します。
| シグナル種別 | 内容 |
|---|---|
| モメンタム | 1・5・20 本のリターン |
| RSI | 過熱・売られ過ぎの文脈 |
| トレンド | 価格と EMA(20) の関係 |
| ニュースセンチメント | 見出しのポジティブ/ネガティブ |
| マクロバイアス | 金など商品特有の文脈 |
これらを単一スコアに統合し、ロジスティック関数で確率に変換します。
ステップ 1: 価格データとモメンタム
OHLCV データから以下を計算します。
- ret1: 1 本分のリターン
- ret5: 5 本分のリターン
- ret20: 20 本分のリターン
複雑なパターン検出は行わず、説明可能性を優先します。
ステップ 2: RSI はシグナルではなく文脈
RSI(14) は連続値として扱われます。
- RSI > 50 → 上方向バイアス
- RSI < 50 → 下方向バイアス
70/30 のような固定閾値を避け、他シグナルと自然に統合します。
ステップ 3: EMA(20) によるトレンド判定
現在価格と EMA(20) を比較します。
- EMA 上 → 軽度な上昇バイアス
- EMA 下 → 軽度な下落バイアス
答えたい問いは単純です。
今、価格は短期トレンドの上か下か？
ステップ 4: ニュースセンチメント分析
方法 1: キーワードベース（高速・制御可能）
例:
- ポジティブ: 増益、好調、格上げ
- ネガティブ: 減益、警告、格下げ
透明性と速度を重視する場合に適しています。
方法 2: LLM（Ollama・任意）
ローカル LLM を用いてニュースを
- ポジティブ
- ニュートラル
- ネガティブ
に分類します。補助的な文脈理解として利用します。
ステップ 5: 商品向けマクロバイアス（例：金）
金などの商品では、以下のニュースに重みを置きます。
- 戦争・地政学リスク
- インフレ
- 中央銀行の金購入
- 利下げ
株式中心の視点による誤判定を避けるためです。
ステップ 6: シグナル統合
重み付けの基本思想:
- モメンタムが主軸
- RSI とトレンドは文脈
- ニュースは補助的
単一の要因が結果を支配しない設計です。
ステップ 7: 確率への変換
ロジスティック関数を用いて:
- Prob Up
- Prob Down
を算出します。極端な確信を避けるため上限・下限を設けることもできます。
向いている用途 / 向いていない用途
向いている
- 方向性バイアスの評価
- トレード判断の補助
- リスク可視化
- 学習・検証
向いていない
- 価格目標設定
- 高頻度取引
- 完全自動売買
まとめ
本スクリプトは、AI hype 後の実務的な市場分析アプローチの一例です。
- 透明性が高い
- 説明可能
- 不確実性を前提にする
「AIは市場を予測できるか？」ではなく、次の問いが重要です。
現時点の情報から、どちらの方向がより起こりやすいか？
Get in Touch with us
Chat with Us on LINE
iiitum1984
Related Posts
- Rust vs Python：AI・大規模システム時代における言語選択
- ソフトウェア技術はどのようにしてチャンタブリー県の果物農家が価格主導権を取り戻すのか
- AIはどのように金融機会を発見するのか
- React Native およびモバイルアプリで ONNX モデルを活用する方法
- 葉の病害検出アルゴリズムはどのように動作するのか：カメラから意思決定まで
- Smart Farming Lite：センサーに依存しない実践的デジタル農業
- なぜカスタムMESは日本の工場に適しているのか
- AIが検索に取って代わる時代：書き手と専門家はどう生き残るのか
- リサイクル事業のための金属価格予測 （日本市場向け・投機不要）
- チーズは誰が動かした？
- 日本向け：業務に最適化されたEコマースシステム設計
- AIの導入がシステムを壊すアンチパターン
- なぜ私たちは「ソフトウェアを作るだけ」ではないのか — システムを実際に動かすために
- Wazuh管理者向け 実践プロンプトパック
- なぜ政府におけるレガシーシステム刷新は失敗するのか（そして、実際に機能する方法とは）
- 日本の自治体が「本当に必要とする」Vertical AI活用ユースケース
- マルチ部門政府におけるデジタルサービス提供の設計（日本向け）
- デジタル行政サービスが本番稼働後に失敗する7つの理由
- 都道府県・市町村向けデジタルシステムのリファレンスアーキテクチャ
- 実践的GovTechアーキテクチャ：ERP・GIS・住民向けサービス・データ基盤
